MultiverSeg, l’IA du MIT qui accélère la segmentation des images médicales

Dans un essai clinique ou une étude d’imagerie, l’intelligence artificielle ne commence pas toujours par découvrir un diagnostic. Elle commence souvent par une tâche beaucoup plus discrète : indiquer précisément à l’ordinateur où se trouvent les structures à analyser dans chaque image. Or cette étape, appelée segmentation, peut mobiliser de longues heures de travail humain. Avec MultiverSeg, des chercheurs du MIT proposent de transformer cette corvée répétitive en une collaboration progressive entre un spécialiste et un modèle d’IA.

L’ambition est concrète : permettre à une personne qui étudie une série d’images biomédicales de corriger les premières prédictions du système, puis de voir celui-ci devenir suffisamment pertinent pour traiter les suivantes avec de moins en moins d’aide. Selon les résultats communiqués par l’équipe, ce mécanisme pourrait réduire le temps consacré à l’annotation des images, un frein important pour de nombreux projets de recherche clinique.

Pourquoi la segmentation des images médicales est-elle si importante ?

Segmenter une image consiste à isoler et délimiter la zone qui intéresse les chercheurs. Cela peut être un organe, une lésion, un vaisseau sanguin, une zone osseuse ou une structure cérébrale. Sur une IRM du cerveau, par exemple, une équipe peut vouloir mesurer l’évolution de l’hippocampe avec l’âge. Pour comparer les patients ou suivre une évolution dans le temps, elle doit d’abord identifier cette structure de façon cohérente sur toutes les images.

Cette opération est décisive car les mesures réalisées ensuite dépendent de la qualité des contours. Un contour imprécis peut fausser l’estimation d’un volume, d’une forme ou d’un changement observé au fil des examens. Le problème prend une ampleur particulière lorsque les études portent sur de grands ensembles de données, avec de nombreuses images par patient ou de nombreux participants.

Traditionnellement, ces annotations sont réalisées manuellement : un spécialiste délimite une zone d’intérêt, image après image. C’est un travail minutieux, qui demande de l’expertise et reste difficile à généraliser lorsque les données changent, qu’il s’agisse du type d’examen, de l’organe observé ou de la population étudiée.

MultiverSeg, une interface d’IA qui apprend des corrections

MultiverSeg est un système de segmentation interactive d’images biomédicales. Son principe est volontairement simple du point de vue de l’utilisateur : au lieu de programmer un modèle, le chercheur indique visuellement ce qu’il souhaite isoler. Il peut cliquer dans une zone, dessiner un contour ou réaliser quelques gribouillages sur l’image. Le système produit alors une prédiction de segmentation.

L’originalité de l’outil tient à son utilisation du contexte. Les images qui ont déjà été segmentées, ainsi que les corrections apportées par l’utilisateur, ne sont pas traitées comme des exemples isolés. Elles servent au modèle pour comprendre la tâche en cours et améliorer sa réponse face aux nouvelles images de la même série.

En pratique, l’utilisateur ne doit donc pas recommencer exactement le même travail à chaque image. À mesure que MultiverSeg observe des exemples corrigés, il peut proposer des contours plus adaptés. Le nombre d’interactions humaines diminue progressivement et peut, dans certains cas, tomber à zéro lorsque le système est capable de segmenter de nouvelles images de manière satisfaisante à partir du contexte accumulé.

Cette logique diffère de nombreuses approches antérieures, qui nécessitent un jeu d’images déjà pré-segmentées pour entraîner un modèle dédié à une tâche précise. Ici, l’objectif est de permettre au chercheur de se lancer dans une nouvelle segmentation sans devoir disposer au préalable d’un corpus entièrement annoté ni maîtriser les méthodes d’apprentissage automatique.

Comment le système réduit-il le travail humain ?

Le gain de temps potentiel ne vient pas d’une suppression immédiate de l’intervention humaine. Il repose plutôt sur une répartition différente du travail. L’expert intervient au début pour montrer au système la structure recherchée et, si nécessaire, rectifier ses erreurs. Le modèle exploite ensuite ces interactions pour mieux segmenter les images suivantes.

Cette phase de correction est essentielle. Dans une application biomédicale, le modèle peut confondre des tissus voisins, mal suivre les limites d’une structure ou être perturbé par la qualité variable des images. MultiverSeg ne prétend pas éliminer cette vérification : il cherche à rendre les retouches successives plus courtes et plus efficaces.

L’intérêt est particulièrement net lorsqu’une même structure doit être retrouvée dans une collection homogène d’images. Pour certains types d’images, comme les radiographies, un utilisateur pourrait n’avoir à segmenter qu’une ou deux images avant que le modèle atteigne une précision considérée comme acceptable pour la tâche. Cette estimation dépend néanmoins du type de données et de la difficulté de la structure à isoler.

Des résultats qui visent moins de clics, pour une précision élevée

Les chercheurs indiquent que MultiverSeg surpasse les outils actuels de segmentation interactive dans leurs évaluations. Le système demanderait moins d’entrées de la part de l’utilisateur tout en fournissant des résultats plus précis. Le point important n’est pas uniquement la qualité finale du contour, mais l’effort nécessaire pour l’obtenir.

Selon les résultats rapportés, MultiverSeg peut atteindre 90 % de précision avec environ deux tiers des gribouillages nécessaires dans les systèmes comparés, et seulement un quart des clics. Ces chiffres suggèrent que l’outil peut apprendre efficacement à partir des interactions initiales, plutôt que d’exiger une correction détaillée sur chaque nouvelle image.

Il faut toutefois interpréter ce type de performance avec prudence. Une précision de segmentation dépend du jeu de données étudié, de la structure à reconnaître et de la façon dont la qualité est mesurée. Un modèle efficace sur un type d’images ou pour un organe donné ne sera pas automatiquement aussi performant dans toutes les spécialités médicales. C’est précisément pourquoi les chercheurs envisagent des essais dans des environnements cliniques réels, afin d’affiner l’outil grâce aux retours des utilisateurs.

Quels usages pour la recherche clinique et les soins ?

La première cible de MultiverSeg est la recherche. En réduisant le temps requis pour annoter les images, l’outil pourrait aider les scientifiques à lancer des études plus rapidement, à analyser davantage de données et à limiter une partie des coûts associés aux essais cliniques. Ces gains pourraient être significatifs dans les projets où la segmentation constitue un verrou opérationnel avant toute analyse statistique ou comparaison entre groupes de patients.

L’outil pourrait aussi intéresser certaines applications cliniques. Les chercheurs évoquent notamment la planification de traitements par radiation. Dans ce domaine, la délimitation exacte de zones anatomiques est un élément important de la préparation du traitement. Une assistance plus rapide pour dessiner ces régions pourrait améliorer l’efficacité des flux de travail, à condition que les résultats soient validés selon les exigences propres à la pratique clinique.

La promesse dépasse donc le simple confort d’utilisation. Lorsque les méthodes d’annotation sont trop lentes, certaines études deviennent difficiles à mener, faute de ressources ou de temps. Hallee Wong, étudiante diplômée en ingénierie électrique et informatique, souligne que cette approche pourrait lever des limites qui empêchaient jusqu’ici la réalisation de certaines recherches.

La recherche sur MultiverSeg doit être présentée à la prochaine International Conference on Computer Vision, une conférence internationale consacrée à la vision par ordinateur. Le projet bénéficie du soutien de Quanta Computer, Inc. et des National Institutes of Health, ainsi que d’un appui matériel de la Massachusetts Life Sciences Center.

Une promesse accessible, mais pas une automatisation sans contrôle

L’un des atouts revendiqués par MultiverSeg est son accessibilité. Les utilisateurs n’ont pas besoin d’être des spécialistes du machine learning pour commencer une nouvelle tâche de segmentation. Cela peut ouvrir ce type d’outil à des équipes de biologie, de radiologie ou de recherche clinique qui disposent d’une expertise métier forte, mais pas nécessairement d’ingénieurs capables d’entraîner un modèle sur mesure.

L’approche pourrait aussi réduire les ressources informatiques requises par rapport à des méthodes qui reposent sur l’entraînement spécifique d’un modèle à partir d’une vaste collection d’images déjà annotées. Cette caractéristique est importante pour les laboratoires dont les moyens de calcul sont limités.

Mais l’outil conserve des limites inhérentes à l’IA appliquée à des données médicales. Il peut avoir besoin d’exemples variés pour certaines tâches. Il peut aussi commettre des erreurs, lesquelles devront être détectées et corrigées par l’utilisateur. La diversité des appareils d’imagerie, des protocoles d’acquisition et des caractéristiques des patients constitue un défi majeur : un modèle doit rester fiable malgré ces variations.

Avant une intégration dans les soins, une telle technologie devra donc démontrer sa robustesse dans des conditions réelles, sur des données représentatives et avec des procédures claires de contrôle humain. L’enjeu n’est pas seulement d’obtenir un contour rapidement, mais de savoir dans quelles conditions il est suffisamment fiable pour être utilisé dans un parcours clinique.

Ce qu’il faut surveiller

Les prochaines étapes seront déterminantes pour mesurer la portée réelle de MultiverSeg. Les essais en environnement clinique permettront d’observer si les gains constatés dans les évaluations se retrouvent dans le travail quotidien des équipes, avec leurs données, leurs contraintes de temps et leurs exigences de qualité.

Il faudra notamment suivre trois points : la capacité du système à s’adapter à des images très différentes, la quantité de corrections encore nécessaire selon les cas, et la manière dont les professionnels évaluent ses résultats avant toute décision médicale. La réussite de l’outil dépendra autant de son interface et de sa fiabilité que de ses performances chiffrées.

Si cette approche tient ses promesses, elle pourrait contribuer à déplacer le temps des chercheurs : moins d’heures passées à tracer des contours répétitifs, davantage de temps consacré à l’interprétation scientifique, à la conception des études et à l’évaluation de nouveaux traitements. C’est dans cette capacité à rendre les données d’imagerie plus exploitables, sans écarter l’expertise humaine, que réside l’intérêt principal de MultiverSeg.