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 le 29/10/26 à 14:09 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

06 Nov

15:30

L'IRM permet de distinguer avec précision les lésions kystiques pancréatiques mucineuses des lésions non mucineuses mais sa sensibilité est limitée pour la détection des néoplasies avancées, conclut une étude présentée dans European Journal of Radiology.

15:00

Fibrose pulmonaire progressive

Le scanner quantitatif pourrait détecter plus tôt la progression d’une fibrose pulmonaire

Actualité / Médical et technique

13:00

Un cadre d'ensemble intégrant l'évaluation volumétrique des unités Housfield, des caractéristiques radiomiques et des réseaux de neurones convolutifs a montré des performances « prometteuses » pour estimer la densité minérale osseuse des vertèbres sur des images scanner de la jonction thoracolombaire (étude).

12:26

Une étude italienne basée sur l'analyse de près de 3000 évaluations montre que les patientes préféreraient les comptes rendus d'examens d'imagerie mammaire simplifiés par l'IA, plutôt que simplifiés manuellement par les radiologues.

7:00

Portrait

Marie-Pierre Revel, l’impulsion du dépistage

Grand Angle / Portrait

05 Nov

15:30

L'hydrocéphalie spatiale sous-arachnoïdienne (DESH) incomplète serait plus fréquente que la DESH complète chez les sujets âgés. La diminution des espaces sous-arachnoïdiens de la convexité (THC) serait associée à un risque accru de déclin cognitif à 5 ou 7 ans. (étude)