Introduction : pourquoi les données synthétiques gagnent du terrain dans le domaine de l’IA médicale
L’imagerie médicale est au cœur du diagnostic : IRM, scanners, lames d’histopathologie ou échographies. Pour interpréter ces images de manière fiable, les systèmes d’IA doivent être entraînés sur des jeux de données annotés, volumineux et de haute qualité. Or ces données sont difficiles à obtenir en raison de la confidentialité des patients, de la rareté de certains cas et du coût de l’annotation par des experts médicaux.
C’est là qu’interviennent les données synthétiques : des images ou jeux de données générés artificiellement pour reproduire des cas médicaux réalistes. Qu’il s’agisse d’IRM générées par GAN ou de lames d’histopathologie simulées, elles peuvent compléter les données réelles et accélérer le développement de modèles d’IA.
Cet article analyse les principaux avantages, cas d’usage, limites et implications éthiques des données synthétiques afin d’aider les équipes d’IA médicale à les intégrer de manière rigoureuse dans leurs pipelines.
Qu’est-ce que les données synthétiques en imagerie médicale ?
Dans l’IA médicale, les données synthétiques désignent des images ou jeux de données générés artificiellement pour imiter des données cliniques réelles. Contrairement aux jeux de données collectés auprès d’hôpitaux, d’essais cliniques ou de systèmes PACS, elles sont créées à l’aide de modèles algorithmiques, de simulations ou d’outils de génération procédurale.
Ces données peuvent tout reproduire, des textures subtiles d’une IRM cérébrale à la complexité au niveau des pixels des lames histopathologiques. Dans la pratique, les données synthétiques servent soit de complément, soit, plus récemment, de substitut à des données médicales réelles lors du développement d’algorithmes d’IA.
Pourquoi c’est important
En imagerie médicale, les données annotées sont rares et coûteuses. Elles sont souvent protégées par des exigences strictes de confidentialité et nécessitent la collaboration d’établissements de santé, d’équipes éthiques et d’experts comme des radiologues ou des pathologistes.
Les données synthétiques offrent une table rase — une solution qui permet de contourner de nombreux obstacles éthiques, juridiques et logistiques associés aux données réelles des patients.
Comment sont créées les données médicales synthétiques ?
Les images médicales synthétiques sont générées de plusieurs manières :
1. Réseaux antagonistes génératifs (GAN)
Les GAN sont une classe de modèles d’apprentissage profond dans lesquels deux réseaux neuronaux, le générateur et le discriminateur, entrent en compétition. En imagerie médicale, les GAN peuvent créer images réalistes et haute fidélité comme des IRM synthétiques, des scanners ou des photos dermatologiques.
- Exemple : Un GAN peut générer une IRM cérébrale synthétique d’une région porteuse de tumeurs en apprenant les caractéristiques visuelles d’une IRM réelle.
2. Simulation basée sur la physique
Couramment utilisés en échographie ou en imagerie par rayons X, les moteurs physiques simulent la façon dont le son ou le rayonnement interagissent avec des tissus humains virtuels pour produire des images réalistes et spécifiques à la modalité.
- Exemple : Les simulateurs à ultrasons modélisent la façon dont les ondes sonores sont réfléchies par des tissus de différentes densités.
3. Rendu 3D et modélisation anatomique
À l’aide de modèles anatomiques 3D et de moteurs de rendu (tels que Blender ou Unreal Engine), les développeurs peuvent générer des vues synthétiques détaillées d’organes, de scènes chirurgicales ou d’interventions, image par image.
- Exemple : Simulation d’une chirurgie laparoscopique pour former à la fois des chirurgiens et des modèles de détection d’objets basés sur l’IA.
4. Transfert de style et adaptation de domaine
Ces techniques impliquent la transformation d’images réelles dans un autre style ou une autre modalité. Par exemple, convertir une scanner en une apparence semblable à celle de la TEP à l’aide du transfert de style neuronal.
- Exemple : Transformer les scintigraphies cérébrales par IRM d’un protocole d’imagerie à un autre (par exemple, pondéré T1 à T2) pour un entraînement à l’IA multimodale.
5. Étiquetage programmatique et génération procédurale
Au lieu d’étiqueter manuellement des milliers d’images, des ensembles de données synthétiques peuvent être créés avec des étiquettes automatiques intégrées au moment de la génération.
- Exemple : Génération de 10 000 variations de radiographies pulmonaires avec des zones de pneumonie marquées, des artefacts ou des anomalies anatomiques.
Types de données synthétiques dans l’IA médicale
Données entièrement synthétiques
- Entièrement généré à partir de zéro.
- Aucune dépendance à l’égard des données réelles des patients.
- Utile pour entraîner des modèles dans les premiers environnements de R&D ou de simulation.
Données synthétiques hybrides
- Combine des données réelles avec des superpositions ou des transformations synthétiques.
- Souvent utilisé pour enrichir des ensembles de données avec des pathologies spécifiques ou des variations d’imagerie.
Données synthétiques augmentées
- Applique des transformations telles que la rotation, la mise à l’échelle, le réglage de la luminosité ou l’injection de bruit à des images réelles pour simuler la variabilité.
- Techniquement, il s’agit d’une forme d’augmentation des données mais souvent associée à des flux de travail synthétiques.
Principaux avantages de l’utilisation de données synthétiques pour l’annotation d’images médicales
1. Passage à l’échelle avec moins de contraintes de confidentialité
Contrairement aux données réelles sur les patients, les ensembles de données synthétiques peuvent être générés en quantités pratiquement illimitées. Aucun consentement, aucune dépersonnalisation, aucune restriction de stockage.
Pas de goulots d’étranglement liés à la HIPAA ou au RGPD.
2. Augmenter les ensembles de données sur les maladies rares
Vous formez un modèle pour détecter les cancers rares ? Il y a de fortes chances que vous ne recueilliez jamais assez d’exemples concrets. Les données synthétiques permettent de combler ces lacunes cruciales.
3. Annotation rentable
L’annotation manuelle dans les domaines médicaux peut coûter des milliers de dollars par jeu de données en raison de l’intervention d’un radiologue ou d’un pathologiste. Les données synthétiques peuvent être étiquetées automatiquement lors de la génération.
4. Contrôle de domaine
Vous avez besoin d’un ensemble de données avec un protocole d’imagerie, un angle ou une démographie spécifiques ? La génération synthétique vous permet de définir ces paramètres.
5. Généralisation améliorée des modèles
Une formation basée uniquement sur un ensemble limité de données réelles peut entraîner un surajustement. Les données synthétiques permettent de créer des modèles d’IA plus robustes et généralisables.
6. Facilite la pré-entraînement et l’apprentissage par transfert
Les données synthétiques peuvent être utilisées pour un apprentissage autosupervisé ou un préentraînement des modèles avant de peaufiner des ensembles de données cliniques réels.
Cas d’usage concrets de données synthétiques dans l’annotation d’images médicales
1. Imagerie cérébrale (IRM)
À l’aide du GANS, les chercheurs ont simulé des IRM 3D à haute résolution pour détecter des lésions, des tumeurs et des anomalies structurelles.
- Exemple : celui de NVIDIA Clara IA a démontré la génération d’IRM cérébrale synthétique avec annotations automatiques.
Épisode 2. Histopathologie
La génération de lames synthétiques d’échantillons de tissus permet aux modèles de s’entraîner à la détection du cancer (par exemple, du sein, de la prostate, du côlon) sans véritable biopsie.
- Les GAN pathologiques peuvent imiter les couleurs et les motifs d’artefacts observés en conditions réelles en histologie.
3. Ophtalmologie
Les images simulées du fond d’œil de la rétine aident à entraîner l’IA à détecter la rétinopathie diabétique, le glaucome et la dégénérescence maculaire liée à l’âge.
- Des outils tels que RETFound ont utilisé des scanners rétiniens réels et synthétiques.
4. COVID-19 et scanner pulmonaire
Pendant la pandémie, les images synthétiques de scanner thoracique ont permis de développer rapidement des modèles de détection de la COVID lorsque les ensembles de données réels étaient limités ou incomplets.
- L’imagerie synthétique a joué un rôle essentiel pour surmonter le goulot d’étranglement des données à un stade précoce.
5. Imagerie pédiatrique
En raison de contraintes éthiques et légales, les données d’imagerie médicale pour enfants sont extrêmement limitées. La génération synthétique permet de remédier à ce déséquilibre.
6. Simulation et formation chirurgicales
Les environnements chirurgicaux 3D synthétiques de haute fidélité sont désormais utilisés à la fois pour l’annotation par l’IA et pour la formation des chirurgiens dans des environnements de réalité augmentée.
Risques et limites des données médicales synthétiques
Bien que prometteuses, les données synthétiques ne sont pas sans inconvénients. Voici les principaux défis à prendre en compte :
1. Changement de domaine et faible transférabilité en conditions réelles
Les modèles d’IA entraînés à partir de données synthétiques peuvent être peu performants lorsqu’ils sont exposés à des environnements cliniques réels en raison d’un bruit d’imagerie invisible, d’artefacts ou de la variance des appareils.
Solution : utilisez des ensembles de données hybrides qui combinent une validation synthétique et une validation réelle.
2. Biais synthétique
Si le générateur synthétique (GAN, moteur de simulation) est biaisé, les données qui en résultent le seront également, ce qui entraînera des risques d’erreur de diagnostic ou de faux négatifs.
3. Manque de confiance clinique et d’acceptation réglementaire
Les cliniciens et les organismes de réglementation tels que la FDA ou l’EMA restent sceptiques à l’égard des modèles formés exclusivement sur des données synthétiques. La validation sur des cas réels est toujours obligatoire.
4. Génération gourmande en ressources
La génération de données synthétiques haute fidélité, en particulier les modèles 3D ou basés sur le GAN, nécessite des ressources informatiques et une expertise considérables.
5. Problèmes juridiques et de propriété intellectuelle
À qui appartiennent les données synthétiques ? S’il est généré à partir de modèles cliniques réels, y a-t-il des implications en termes de droits d’auteur ou de propriété intellectuelle hospitalière ?
Évaluation de la qualité des données médicales synthétiques
Les données synthétiques ne sont pas toutes créées de la même manière. L’évaluation est essentielle.
Indicateurs à prendre en compte :
- Score FID (distance de Fréchet) : mesure la similitude avec des données réelles.
- SSIM (Indice de similarité structurelle) : Évalue la similitude visuelle.
- Avis d’experts du domaine : Notation par un radiologue ou un pathologiste.
- Métriques de performance des modèles : Validation sur des ensembles de données réels.
Bonne pratique : validez toujours sur des ensembles de test réels, même si l’entraînement est intensif en matière synthétique.
Tendances émergentes en matière de données médicales synthétiques
1. Modèles de diffusion pour l’imagerie médicale
Suite au succès de DALL·E et Midjourney dans le domaine de la génération d’images générales, des modèles de diffusion sont désormais appliqués pour créer des images médicales plus réalistes.
2. Start-up d’IA axées sur la synthèse
Des entreprises comme Synthea et Medical Data Works adoptent des approches fondées sur les données synthétiques pour le développement de produits et la simulation clinique.
3. Ensembles de données jumeaux synthétiques
Génération d’un jumeau synthétique des archives d’imagerie d’un hôpital à des fins de simulation, de recherche ou d’évaluation de modèles sans atteinte à la confidentialité.
4. Génération multimodale
Création d’images synthétiques d’une modalité à partir d’une autre pour entraîner des modèles d’IA de fusion multimodale.
5. Partage fédéré de données synthétiques
La combinaison de l’apprentissage fédéré et de la génération synthétique permet aux hôpitaux de collaborer sans partager de données réelles.
Outils et plateformes pour générer des données médicales synthétiques
Code open source :
Commercial :
Meilleures pratiques pour intégrer des données synthétiques dans les pipelines d’IA
- Commencez par des données réelles, enrichissez par des données synthétiques.
- Faites appel à des experts du domaine pour évaluer le réalisme visuel.
- Mélangez et assortissez les modalités pour entraîner des modèles robustes.
- Documentez votre pipeline de production synthétique pour plus de transparence.
- Validez toujours les modèles sur des ensembles de tests réels.
Paysage réglementaire : qu’est-ce qui est autorisé et qu’est-ce qui ne l’est pas ?
Europe (RGPD)
- Les données synthétiques ne sont pas considérées comme des données personnelles, mais si elles sont générées à partir de données sources identifiables, elles pourraient faire l’objet d’un examen minutieux.
États-Unis (HIPAA)
- Les données synthétiques ne constituent pas des informations de santé protégées (PHI), ce qui facilite leur utilisation dans les produits commerciaux d’IA.
FDA et EMA
- Nécessitent toujours une validation sur des données réelles sur les patients. Les données synthétiques ne suffisent pas à elles seules pour une approbation clinique.
Données synthétiques, augmentation de données et désidentification
Fonctionnalité/Données synthétiques/Augmentation des données/Désidentification/Risque de confidentialité Aucun Moyen Évolutivité moyenne Élevé Élevé Risque d’introduction de biais limité Moyen Moyen Faible Simplicité réglementaire Varie Complexe
Étude de cas : détection du cancer du sein à l’aide d’images histologiques synthétiques
Une collaboration entre Stanford Medicine et Google Health a permis de créer un modèle d’apprentissage en profondeur sur lames de tissu mammaire synthétique. Une fois validé sur des données réelles, le modèle a obtenu une sensibilité de 93 %, comparable à des modèles entraînés sur des échantillons réels, pour une fraction du coût.
Cela a ouvert la voie à un outil de dépistage peu coûteux pouvant être déployé dans les régions n’ayant pas accès à des laboratoires d’histopathologie.
Points clés à retenir
- Les données synthétiques offrent de l’évolutivité, de la sécurité et une meilleure maîtrise des coûts — en particulier lorsque les données réelles sont rares ou sensibles.
- Les risques tels que le changement de domaine et les biais doivent être pris en compte grâce à un entraînement hybride, à des mesures d’évaluation et à des évaluations par des experts.
- Les données synthétiques ne remplaceront pas totalement les données réelles, mais elles constituent un complément puissant, en particulier lors du développement précoce de l’IA ou de la pré-entraînement.
- La clarté réglementaire et éthique évolue, mais l’adoption s’accélère.
Conclusion et prochaines étapes
Concevez-vous des solutions d’IA dans le domaine de l’imagerie médicale ?
À DataVLab, nous proposons des services d’annotation spécialisés, la génération de jeux de données synthétiques personnalisés et du conseil pour les pipelines d’IA hybrides en radiologie, pathologie, ophtalmologie, etc.
Accélérons le développement de votre modèle d’IA — de manière sûre, évolutive et éthique.
Contactez-nous dès aujourd’hui pour démarrer une discussion sur vos données synthétiques.
