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 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

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

François Mallordy

Journaliste rédacteur spécialisé

Voir la fiche de l’auteur

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 Sep

17:00

Une étude prospective chez 22 patients atteints de tumeurs neuro-endocrines métastatiques montre que le ¹⁷⁷Lu-LNC1010 présente un profil de tolérance favorable, sans toxicité rénale ou hépatique sévère. Le traitement a obtenu un taux de réponse objective de 44,4 %, et un contrôle de la maladie de 94,4 %.

15:00

Après une embolisation des artères prostatiques (PAE), le taux cumulé de ré-intervention atteint 25,8 % à 5 ans, la résection transurétrale de la prostate étant la procédure de rattrapage la plus fréquente, selon une étude. Ces résultats confirment une durabilité à moyen terme satisfaisante de la PAE.

13:30

Une étude démontre que le score O-RADS IRM présente une excellente performance diagnostique pour différencier les masses annexielles bénignes et malignes. L’intégration de la courbe d’intensité semi-quantitative (SIC) améliore surtout la spécificité et la valeur prédictive positive, tout en réduisant les interventions chirurgicales inutiles.

7:00

10 Sep

17:23

L’embolisation des artères utérines (EAU) offre une amélioration durable des symptômes chez environ 75 % des patientes. À 10 ans, près d’une patiente sur cinq nécessite une nouvelle intervention, avec un risque plus élevé chez les femmes plus jeunes. (Etude).

15:00

✕
Docteur Imago

GRATUIT
VOIR