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.

Article réservé aux abonnés

Le 20/09/22 à 15:00, mise à jour aujourd'hui à 15:11 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

Vous avez déjà un compte ? Se connecter

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

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.

Discussion

Aucun commentaire

Commenter cet article

Laisser un commentaire Annuler la réponse

You must be logged in to post a comment.

Le fil Docteur Imago

03 Juin

16:47

L'acquisition d'image retardée après injection de produit de contraste dans les scanners pancréatiques améliorerait la détection précoce du cancer de type PDAC. Une acquisition retardée de 3 minutes reconstruite à 40 keV serait le paramètre le plus performant et pratique dans le flux de travail du radiologue. (Etude).

15:00

Imagerie abdominale pédiatrique

Les particularités de l’élastographie du foie et de la rate chez l’enfant

Congrès

13:46

Un nouveau modèle de TEP portable et mobile équipé d’un bras robotique permettrait d’obtenir des images en temps réel des organes et du corps.

7:45

Julien Frandon, président de la Société française de radiologie (SFR) Languedoc Roussillon, est le nouveau président de la Société Française d'Imagerie Cardiaque et Vasculaire Diagnostique et Interventionnelle (SFICV).

7:00

Évènement

Imagine 2026 lance les discussions sur le financement de l’imagerie et l’innovation

Socioprofessionnel / Actualité

02 Juin

16:00

L'éditeur de solutions d'IA Deephealth annonce avoir obtenu le marquage CE pour les solutions Brain Health et Brain Age de sa gamme Neuro Suite, et le marquage CE pour sa solution LumbarMR (communiqué).