Évaluation de l'IA

Un nouveau cadre d’évaluation proposé pour juger de la valeur ajoutée d’une IA en radiologie

icon réservé aux abonnésArticle réservé aux abonnés
Le 11/03/24 à 15:00, mise à jour le 11/03/24 à 15:03

Basé sur une évaluation en sept niveaux, le nouveau cadre d'évaluation RADAR s'inspire du modèle hiérarchique de Fryback et Thornsbury d'évaluation de l'efficacité des examens d'imagerie diagnostique. © Boverhof et al, Insights into Imaging | CC BY 4.0 DEED

À l'heure de la démocratisation de l'intelligence artificielle (IA) en médecine, l'évaluation de la valeur ajoutée apportée à la radiologie par ces logiciels paraît critique pour permettre leur adoption locale en clinique par les praticiens. Dans cette optique, une équipe de sept médecins néerlandais et anglais, dont trois radiologues, a publié le 5 février 2024 une déclaration décrivant un nouveau cadre d'évaluation de l'IA intitulé Radiology AI deployment and assessment rubric (RADAR) [1].

Cinq niveaux d'évaluation clinique, et deux niveaux « au-delà »

Basé sur une évaluation en sept niveaux, le nouveau cadre d'évaluation RADAR s'inspire du modèle hiérarchique de Fryback et Thornsbury d'évaluation de l'efficacité des examens d'imagerie diagnostique [2]. Le système RADAR est organisé en sept niveaux : cinq pour l'évaluation de la valeur clinique de l'IA, et deux pour l'évaluation « au-delà de la valeur clinique » – c'est-à-dire l'évaluation socio-économique de l'IA et l'évaluation d

Il vous reste 50% 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

François Mallordy

Journaliste rédacteur spécialisé

Voir la fiche de l’auteur

Bibliographie

  1. Boverhof B.-J., Redekop W. K., Bos D. et al, « Radiology AI Deployment and Assessment Rubric (RADAR) to bring value-based AI into radiological practice », Insights into Imaging, 5 février 2024. DOI : 10.1186/s13244-023-01599-z.
  2. Fryback D. G., Thornbury J. R., « The Efficacy of Diagnostic Imaging », Medical Decision Making, juin 1991. DOI : 10.1177/0272989X9101100203.
  3. Guenoun D., Zins M., Champsaur P. et al, « French community grid for the evaluation of radiological artificial intelligence solutions (DRIM France Artificial Intelligence Initiative) », Diagnostic and Interventional Imaging, 23 septembre 2023. DOI : 10.1016/j.diii.2023.09.002.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

13 Juil

8:30

Le scanner corps entier à ultra-basse dose associé à un algorithme de reconstruction par intelligence artificielle (SR-DLR) permet de réduire d'environ 70 % l'exposition aux rayonnements tout en conservant une excellente qualité d'image et des performances diagnostiques élevées pour la détection des maladies viscérales et métastatiques des tissus mous chez les patients sous surveillance du cancer, indique une étude parue dans European Journal of Radiology.

7:00

10 Juil

16:20

l'IRM mammaire préopératoire ne serait pas associée à une amélioration de la survie sans récidive ou de la survie globale chez les femmes atteintes de carcinome canalaire in situ (DCIS) (étude).

13:19

Une étude indienne suggère que l'IRM multiparamétrique permettrait de distinguer les cancers du sein luminaux des cancers du sein non luminaux à partir de marqueurs non invasifs.

7:17

Les applications d'IA générative à usage général ne doivent pas être utilisées pour produire des images radiologiques à des fins de formation pour les étudiants en imagerie, prévient une étude. Sur 220 images générées par des application IA, seules 8,6 % ont été jugés appropriées par des radiologues pédiatriques américains.

7:00

✕
Docteur Imago

GRATUIT
VOIR