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 hier 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

17 Sep

7:30

Le cabinet médical de La Chaise-Dieu a inauguré ses nouveaux locaux, financés sur fonds privés, avec la perspective d’y installer prochainement un service de radiologie. Prévu d’ici la fin de l’année, cet équipement doit faciliter la prise en charge des traumatismes et examens courants, tout en limitant les déplacements des habitants et résidents des Ehpad, informe leveil.fr.

7:00

Comptes rendus de radiologie

Comment les médecins les lisent-ils vraiment ?

Actualité / Médical et technique

16 Sep

15:56

La répétition d'angioscanners pulmonaires après un examen négatif aux urgences serait moins efficace sur le plan diagnostique que l'imagerie initiale (étude).

15:00

Imagerie cérébrale

L’apprentissage profond booste la qualité d’image en salle interventionnelle

Actualité / Médical et technique

13:37

La pose de stent intracrânien reposant sur le système NeuroSpeed/CREDO pourrait constituer un traitement techniquement réalisable pour la sténose athéroscléreuse intracrânienne (ICAS) de haut grade, ainsi qu’une option de sauvetage au cours d’une thrombectomie, avec des résultats cliniques favorables à court terme et des taux de complications acceptables. La ICAS est une cause importante d’accidents vasculaires cérébraux ischémiques récidivants. (Etude)

7:35

Un traceur de TEP expérimental ciblé par CAIX, appelé Ga-68 DPI-4452, aurait atteint une sensibilité de 100% dans la détection du carcinome rénal cellulaire clair et aurait identifié 82,6% de lésions métastatiques supplémentaires par rapport à l'imagerie conventionnelle. Pour les auteurs de l'étude, ces résultats prometteurs pourraient à terme améliorer le diagnostic et la caractérisation du cancer du rein.