Aide à la décision

La façon dont l’IA justifie ses résultats influencerait les performances diagnostiques du médecin

Une étude a comparé les performances diagnostiques de médecins assistés par l’IA en fonction du niveau d’exactitude et de la façon dont le l’outil justifiait ses prédictions. Leur précision était supérieure quand l’outil décrivait les données qui avaient guidé son raisonnement.

icon réservé aux abonnésArticle réservé aux abonnés
Le 01/12/24 à 15:00 Lecture 3 min.

Quand le conseil de l’IA était correct, la précision diagnostique des médecins était de 92,8 % (± 0.62) avec une explication locale et de 85,3 % (± 0.85) avec une explication globale (photo d'illsutration). D. R.

La précision diagnostique d’un médecin qui utilise un outil d’intelligence artificielle pour l’interprétation des radiographies thoraciques varie en fonction de la façon dont cet outil explique son raisonnement, selon une étude présentée dans Radiology [1].

Huit radiographies avec un conseil d’une IA simulée

Ses auteurs ont rassemblé un panel de 220 médecins, dont 132 radiologues, auxquels ils ont soumis une série de huit radiographies thoraciques (vues frontale et latérale quand elle était disponible), issues de la base de données de l’hôpital Beth Israel Deaconess de Boston, Massachusetts. Chaque examen s’accompagnait d’une suggestion émise par un assistant IA simulé, dont les performances étaient comparables à celles d’un radiologue expert. Les conseils étaient corrects dans six cas sur huit, avec un niveau randomisé de confiance affichée.

Explication locale et globale

Cette IA virtuelle justifiait son conseil de selon deux modalités choisies de façon aléatoire : l’explication «

Il vous reste 75% 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 mensuelle 100 % numérique

23 €

par mois

S’abonner à Docteur Imago

Auteurs

Jérome Hoff

Rédacteur en chef adjoint BOM Presse Clichy

Voir la fiche de l’auteur

Bibliographie

    Prinster D, Mahmood A, Saria S, et al (2024) Care to Explain? AI Explanation Types Differentially Impact Chest Radiograph Diagnostic Performance and Physician Trust in AI. Radiology 313:e233261. https://doi.org/10.1148/radiol.233261

Modalité d’imagerie

Radiologie conventionnelle

Mots-clés

intelligence artificielle Aide au diagnostic

1 décembre 2024 au 5 décembre 2024

Congrès de la RSNA 2024

Congrès
McCormick Place, 2301 S King Dr, Chicago, Illinois, 60616

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

10 Avr

15:32

Un modèle d’IA à apprentissage profond montre un potentiel en tant qu’outil de dépistage opportuniste de la santé osseuse chez les enfants, selon une étude publiée dans Radiology.

15:00

13:14

Les événements de sécurité des patients en radiologie représentent une faible proportion des incidents (3,2 %), mais révèlent des vulnérabilités importantes, notamment chez les enfants et les personnes âgées, avec un risque élevé lié aux médicaments et aux produits de contraste, selon une étude publiée dans Current Problems in Diagnostic Radiology

7:13

Les patientes atteintes d’un cancer du sein qui développent un dysfonctionnement cardiaque lors d’une chimiothérapie néoadjuvante subissent également une perte de tissu cérébral significativement plus importante que celles dont la fonction cardiaque reste stable, selon une étude publiée dans Academic Radiology.

7:00

09 Avr

16:21

Une étude multicentrique publiée dans European Radiology montre qu’un modèle de deep learning combinant nnU-Net et ConvNeXt-tiny permet d’évaluer avec précision l’invasion musculaire dans le cancer de la vessie à partir d’IRM, avec des performances élevées et stables.
✕
Docteur Imago

GRATUIT
VOIR