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 le 11/09/23 à 13:22 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 DÉCOUVERTE

11€

pendant 1 mois
puis 23 €/mois

S’abonner à Docteur Imago

Auteurs

Jérome Hoff

Rédacteur en chef adjoint

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

26 Avr

16:00

L’imagerie au scanner révèle l’influence de la glycémie sur la gravité de la COVID-19 chez les patients diabétiques. Plus la glycémie est élevée, plus le score total de sévérité au scanner est important (étude).

13:30

Le 35e congrès de la Société française de radiothérapie oncologique (SFRO) aura lieu du 13 au 15 Novembre 2024 au CNIT Forest Paris - La Défense. Les inscriptions sont ouvertes. 

7:30

L’œdème cérébral chez les fœtus atteints de malformation de Chiari de type II est fréquent et radiologiquement détectable sur les séquences d’IRM fœtale pondérées en T2. Les mesures DTI et la radiomique confirment les différences microstructurelles entre les cerveaux des fœtus de Chiari II avec et sans œdème (étude).

7:00

25 Avr

16:30

La TEP-TDM au [68Ga]DOTATATE devrait être la modalité de choix dans les métastases osseuses spinales liées au phéochromocytome/paragangliome en raison de son taux de détection supérieur, indique une étude.

15:00

✕
Docteur Imago

GRATUIT
VOIR