Intelligence artificielle

Comment limiter les biais dans la gestion des données de radiologie en apprentissage automatique ?

En apprentissage automatique, la gestion des données représente une étape cruciale dans le développement de nouveaux algorithmes. Un article publié le 24 août dans Radiology : Artificial Intelligence résume les différents biais qui peuvent peser sur le traitement des données au début du développement d'une nouvelle IA, et les moyens d'y faire face.

icon réservé aux abonnésArticle réservé aux abonnés
Le 20/09/22 à 15:00, mise à jour le 11/09/23 à 13:23 Lecture 3min.

Plusieurs risques de biais menacent la gestion des données radiologiques en amont de la création d'une IA, que ce soit au moment de leur sélection, de leur vérification ou de leur affectation aux différentes étapes du développement (photo d'illustration). Mike MacKenzie | CC BY 2.0 (no changes made)

Quels biais menacent la conception de bonnes IA basées sur l'apprentissage automatique en radiologie ? Une équipe de chercheurs étasuniens de la Mayo Clinic à Rochester (Minnesota) a publié le 24 août dans Radiology : Artificial Intelligence un inventaire des biais propres à la gestion des données radiologiques en amont de la création d'une IA, ainsi que de leurs antidotes [1]. Ce papier constitue la première partie d'une série de trois articles destinés à vulgariser auprès des radiologues les biais à prendre en compte dans le développement d'une IA utilisant l'apprentissage automatique.

Quatre étapes de gestion des données à contrôler

Par gestion des données, les auteurs entendent tous les processus impliquant la manipulation de données radiologiques entre l'idée initiale de créer une nouvelle IA et le développement du modèle d'apprentissage automatique correspondant. Quatre étapes successives relèvent de la gestion de données : la collecte d'un jeu de données radiologiques, l'analyse d

Il vous reste 79% de l’article à lire

Docteur Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Docteur Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

OFFRE DÉCOUVERTE

11€

pendant 1 mois
puis 23 €/mois

S’abonner à Docteur Imagoo

Auteurs

François Mallordy

Bibliographie

  1. Rouzrokh P., Khosravi B., Faghani S. et coll., « Mitigating bias in radiology machine learning : 1. Data Handling », Radiology : Artificial Intelligence, août 2022, vol. 4, n° 5. DOI : t10.1148/ryai.210290.

Discussion

Aucun commentaire

Laisser un commentaire

Le fil Docteur Imago

22 Sep

16:00

Les radiographies musculosquelettiques demandées lors des rendez-vous de télémédecine ont montré davantage de résultats normaux que celles qui étaient demandées lors des visites de soins primaires en présentiel, dans le cadre d'une étude publiée dans JABFM.

13:30

Chez des patients qui avaient passé une IRM 3T de la prostate, l'utilisation du score PI-RADS v2.1 pour l'interprétation n'a pas changé les taux de mise à niveau et de rétrogradation du stade de cancer entre la biopsie ciblée et la prostatectomie radicale par rapport au score PI-RADS v2, indique une étude parue dans AJR.

7:31

Canon Medical Systems Europe a inauguré le 14 septembre son nouveau siège européen à Amstelveen aux Pays-Bas, ainsi qu'une nouvelle structure éducative : la « Canon Medical Academy Europe », annonce la société.
21 Sep

16:00

À l’hôpital, dans le public comme dans le privé, le recours à l’intérim début 2023 restait faible toutes filières professionnelles confondues : « Il atteint respectivement 0,3 % et 0,8 %, contre 1,7 % en moyenne dans l’ensemble du secteur tertiaire », indique la Drees dans une publication parue le 14 septembre.