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 hier à 14:10 Lecture 3 min.

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 mensuelle 100 % numérique

23 €

par mois

S’abonner à Docteur Imago

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.

Mots-clés

intelligence artificielle

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

11 Déc

15:00

13:17

Dans une méta-analyse incluant sept études, des données montrent que le poids total et la surface corporelle sont les meilleurs prédicteurs de l’amélioration hépatique au scanner avec contraste, contrairement au poids maigre.

7:18

L’administration de glucagon et d’hyoscine-butylbromure ainsi que le volume de la vessie, n’ont montré aucune association significative avec les artefacts de mouvement lors de l’IRM prostatique T2W. De fait l’utilisation régulière d’antispasmodiques et le vidage de la vessie peuvent être reconsidérés lors de l’IRM prostatique, indique une revue systématique qui souligne la nécessité de stratégies de dosage personnalisées en scanner avec contraste amélioré.

7:00

10 Déc

15:00

7:30

Une étude a quantifié l'ampleur et l'évolution de l'utilisation des produits de contraste chez les bénéficiaires du programme Medicare aux États-Unis (environ 13,5 milliards de mL administrés entre 2011 et 2024). Elle montre également qu'une catégorie d'examens d'imagerie représente la majeure partie de ce volume.
✕
Docteur Imago

GRATUIT
VOIR