Maladie pulmonaire relativement rare au Canada, la tuberculose continue d'affecter certaines populations de manière disproportionnée, notamment les Inuits et autres Autochtones. Elle demeure également courante chez les personnes nées à l'étranger qui, avant d'immigrer, y ont été exposées dans des pays où les taux d'infection sont plus élevés. Par ailleurs, l'incidence de la tuberculose est étroitement liée à certains déterminants sociaux de la santé, comme la pauvreté, les conditions de logement inadéquates et l'accès limité aux soins de santé. La maladie peut être guérie et prévenue, mais devient potentiellement mortelle si elle n'est pas traitée.
Dans cette optique, la réponse du gouvernement du Canada contre la tuberculose compte éliminer la tuberculose en améliorant le dépistage précoce, l'accès aux soins et le traitement. Le dépistage précoce — qui se fait généralement par simple test cutané, analyse sanguine ou radiographie pulmonaire — est essentiel au traitement. Cependant, dans les régions éloignées ou mal desservies où l'incidence de la tuberculose est élevée, le dépistage précoce est difficile en raison de ressources limitées et d'obstacles aux soins de santé.
Pour aider à relever ce défi, Ashkan Ebadi (Ph. D.), chercheur avec le Centre de recherche en technologies numériques du CNRC, a décidé de faire équipe avec Alexander Wong (Ph. D.), professeur à l'Université de Waterloo et codirecteur du groupe de recherche en visionique et en traitement des images. Ensemble, ils ont mis au point un algorithme capable d'analyser des radiographies pulmonaires pour détecter les cas de tuberculose. Cette technologie pourrait transformer comment les prestataires de soins de santé en région éloignée dépistent la maladie, et ainsi poser des diagnostics plus rapides et précis.
L'outil d'IA est notamment capable d'apprendre de manière autonome, avec un minimum de supervision humaine. Grâce à un système « enseignant-élève », un modèle « enseignant » est d'abord formé à partir de quelques radiographies, dont des cas confirmés de tuberculose. Une fois suffisamment performant, il peut alors former un modèle « élève » sur un plus grand nombre d'images inconnues. Tout comme chez l'humain, l'enseignant fournit une rétroaction constante à l'élève, qui analyse de nouvelles images à la recherche de cas de tuberculose. D'après les résultats préliminaires présentés dans un article de N. Patel, A. Wong et A. Ebadi publié sur le site de l'IEEE en 2024 (en anglais seulement), ce modèle d'IA diagnostique la tuberculose avec un taux de précision de 98 %.
Le modèle s'appuie également sur la logique et le raisonnement pour prendre ses décisions — une caractéristique unique qu'on appelle l'IA explicable, ou explicabilité. Contrairement aux modèles plus traditionnels de type « boîte noire », un modèle d'IA explicable décrit le raisonnement à l'origine d'une réponse ou, dans ce cas-ci, d'un diagnostic. Lors de l'analyse d'une radiographie, le modèle fait ressortir les zones pertinentes pour un diagnostic de tuberculose. L'explicabilité est cruciale dans des domaines où les enjeux sont importants, comme la santé. Cela aide les prestataires de soins de santé à avoir confiance dans le système et assure la transparence du processus décisionnel du modèle d'IA.
Le projet s'appuie également sur des succès antérieurs. Pendant la pandémie de COVID-19, M. Ebadi et ses collaborateurs ont développé COVID-Net, une série de solutions fondées sur l'IA pour le diagnostic rapide de la COVID-19 et l'évaluation du pronostic des personnes infectées. Ces modèles, reconnus à l'échelle internationale, ont été utilisés par des scientifiques et des hôpitaux du monde entier. Ayant ainsi contribué à une meilleure maîtrise des cas de COVID-19, l'équipe a décidé d'appliquer sa technologie d'IA à d'autres défis sanitaires particulièrement pressants.
M. Ebadi espère que le modèle d'IA aidera à surmonter les obstacles au dépistage de la tuberculose et à sa détection précoce dans les régions éloignées et mal desservies du Canada, notamment en réduisant les besoins en personnel spécialisé. Certes, la solution semble prometteuse, mais l'équipe doit maintenant collaborer avec des partenaires en milieu hospitalier et utiliser des données démographiques réelles. Cette étape est essentielle au perfectionnement du modèle afin d'en garantir la précision en milieu clinique.
Cette technologie fondée sur l'IA, développée par M. Ebadi et ses collaborateurs, représente un outil de diagnostic puissant qui bénéficierait énormément aux communautés mal desservies, où la détection précoce de la tuberculose pourrait changer la donne.