Un nouveau système d’intelligence artificielle développé par des chercheurs du MIT pourrait révolutionner la recherche clinique en accélérant considérablement le processus de segmentation des images médicales. Cette étape clé, consistant à identifier et délimiter des régions d’intérêt dans des images biomédicales — comme le hippocampe dans les IRM cérébrales — est souvent longue et fastidieuse lorsqu’elle est réalisée manuellement. Pour y remédier, l’équipe a conçu MultiverSeg, un outil interactif qui permet à un chercheur de segmenter rapidement de nouvelles séries d’images en effectuant des gestes simples : clics, traits ou encadrements. Le modèle d’IA utilise ces interactions pour prédire la segmentation, et, au fil du temps, réduit progressivement le besoin d’intervention humaine, jusqu’à atteindre un stade où il peut segmenter automatiquement de nouvelles images sans aucune intervention. Contrairement aux systèmes existants, MultiverSeg ne nécessite ni entraînement préalable, ni jeu de données pré-segmentées, ni compétences en apprentissage automatique. Il fonctionne en conservant un ensemble de contexte — des images déjà segmentées — qu’il utilise pour améliorer ses prédictions. Grâce à une architecture conçue pour tirer parti de ces exemples, le modèle s’adapte progressivement à chaque nouvelle tâche, même avec peu d’images initiales. Dès la neuvième image, il parvient à produire une segmentation plus précise qu’un modèle spécialisé, avec seulement deux clics. Pour certaines images, comme les radiographies, une ou deux annotations manuelles suffisent à déclencher une prédiction fiable. Ce système combine les avantages des méthodes interactives et des modèles d’apprentissage automatique, tout en éliminant leurs principaux inconvénients : répétition des tâches, besoin d’entraînement coûteux ou impossibilité de correction. Les tests montrent que MultiverSeg atteint 90 % de précision avec environ deux tiers des traits et trois quarts des clics requis par les outils précédents. De plus, son interface interactive permet de corriger les prédictions en temps réel, ce qui est bien plus rapide que de recommencer depuis zéro. Les chercheurs, dirigés par Hallee Wong, doctorante en génie électrique et informatique, et incluant Jose Javier Gonzalez Ortiz, John Guttag et Adrian Dalca (Harvard Medical School, MGH, CSAIL), ont présenté leurs résultats à la conférence internationale sur la vision par ordinateur. Leur objectif est d’adapter MultiverSeg à des images 3D et de le tester dans des contextes cliniques réels, en collaboration avec des médecins. Ce système pourrait non seulement réduire les coûts et les délais des essais cliniques, mais aussi faciliter des applications comme la planification de traitements par rayonnement. Financé en partie par les National Institutes of Health, Quanta Computer et le Massachusetts Life Sciences Center, MultiverSeg représente une avancée majeure vers une recherche biomédicale plus rapide, accessible et efficace.