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 14:11 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

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.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

15 Jan

15:14

Les élections de l’European Society of Radiology (ESR) se tiendront du 8 au 21 janvier 2026. Deux candidates soutenues par la SFR, les professeurs Isabelle Thomassin-Naggara et Corinne Balleyguier, présentent leur candidature. Les radiologues français membres de l’ESR sont appelé à se mobiliser en votant par courriel : voting@polyas.com.

13:13

Bien que les unités mobiles de mammographie puissent améliorer l’accès aux soins pour des populations médicalement défavorisées, une étude pilote publiée dans Academic Radiology, met en lumière des opportunités pour promouvoir un suivi rapide et équitable des mammographies de dépistage anormales grâce à une meilleure navigation des patients, un soutien social et une aide financière.

7:11

Stéphanie Rist, la ministre de la santé, a présenté une stratégie nationale pour lutter contre la désinformation médicale. Elle prévoit notamment la création d’un observatoire de la désinformation en santé et d’un dispositif d’infovigilance afin de répondre plus rapidement aux fausses informations
14 Jan

16:04

L’ablation robotisée par radiofréquence des tumeurs pulmonaires est une technique réalisable et sûre, indique une étude parue dans l'European Journal of Radiology. Cela permettrait de minimiser les ajustements des aiguilles, réduisant ainsi le temps de ponction et réduisant l’exposition aux radiations chez les patients.
Docteur Imago

GRATUIT
VOIR