Algorithmes

Une méta-analyse pointe les biais et les failles méthodologiques des modèles d’IA pour la Covid-19

Selon une revue de littérature britannique, les études sur l’utilisation de modèles d’intelligence artificielle pour la détection et le pronostic de la Covid-19 à partir d’examens d’imagerie souffriraient de problèmes liés à la mauvaise qualité des données, à une faible application des méthodes de développement des algorithmes, ainsi que d’une mauvaise reproductibilité et de bais de conception.

icon réservé aux abonnésArticle réservé aux abonnés
Le 27/04/21 à 16:00, mise à jour aujourd'hui à 15:10 Lecture 3 min.

« Les rapports d’études actuels souffrent d’une prévalence élevée de déficiences au niveau de la méthodologie et du compte rendu », constatent les chercheurs de Cambridge. D. R.

Sur plus de 320 algorithmes développés pour diagnostiquer la Covid-19 ou anticiper son évolution à partir d’examens de radiographie ou de scanner thoracique, aucun n’est suffisamment robuste et validé pour une utilisation en clinique, conclut une méta-analyse décrite dans la revue Nature machine intelligence [1]. Ses auteurs, un groupe de mathématiciens et de radiologues de l’université de Cambridge, au Royaume-Uni, ont passé au crible la littérature publiée sur le sujet et évalué les risques de biais ainsi que les erreurs méthodologiques les plus fréquentes.

Des études mal décrites

Les recherches sur les bases de publications ont renvoyé 2 150 articles, dont 415 présentent des résumés jugés pertinents pour la problématique intéressant cette méta-analyse. L’analyse des textes entiers a permis de retenir 320 papiers, dont 258 ont été écartés car ils ne décrivaient pas suffisamment les méthodes de développement et de validation employées par leurs auteurs, ce qui compromet la reproductibil

Il vous reste 81% 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

  1. Roberts M., Driggs D., Thorpe M. et coll., « Common pitfalls and recommandations for using machine learning to detect and pronosticate for COVID-19 using chest radigraphs ans CT scans », Nature Machine Intelligence, mars 2021, vol. 3, p. 199 – 217. DOI : https://doi.org/10.1038/s42256-021-00307-0

Spécialité médicale

Pneumologie Urgence

Modalité d’imagerie

Scanner Radiologie conventionnelle

Mots-clés

intelligence artificielle COVID-19

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Dans le dossier

icon réservé aux abonnés L’intelligence artificielle en pratique clinique

Voir le dossier

Le fil Docteur Imago

24 Juin

16:00

15:00

13:00

Les praticiens doivent mieux communiquer avec les patients à propos des risques liés aux radiations en radiologie, d'après une étude menée auprès de 628 patients et parue dans Radiography. Les erreurs d'appréciation sur ces risques étaient communs, et les participants ruraux ont rapporté une plus grande anxiété.

7:30

Une valeur seuil de coefficient de diffusion apparent (ADC) de 1,0 × 10-3 mm2/s en IRM de diffusion améliore la performance de l'IRM mammaire pré-opératoire dans le diagnostic de lésions additionnelles ipsilatérales et controlatérales chez les patientes atteintes de cancer du sein, selon une étude de cohorte parue dans Radiology.

7:00

23 Juin

16:00

Une revue de la littérature dédiée au diagnostic prénatal des anomalies infratentorielles est parue dans Pediatric Radiology. Elle détaille notamment le rôle de l'échographie et de l'IRM fœtale à ce sujet.
✕
Docteur Imago

GRATUIT
VOIR