Intelligence artificielle

L’analyse de variété générative : un modèle interprétable et responsable pour une médecine de précision

icon réservé aux abonnésArticle réservé aux abonnés
Pierre-Étienne Heudel, Arnaud Jean, Félix Renard et Arnaud Attyé Le 16/02/22 à 16:00, mise à jour le 11/09/23 à 13:30 Lecture 9 min.

L’analyse de variété générative permet de proposer des « normes personnalisées » en fonction des jumeaux numériques plutôt qu’en fonction d’un « individu moyen » correspondant à la norme euclidienne (photo d'illustration). D. R.

Résumé

Les applications de l’intelligence artificielle en radiologie clinique concernent actuellement quasi-exclusivement le secteur du dépistage de masse sur de l’image, à l’aide de technologies dites d’apprentissage profond. Or ces nouvelles technologies ont apporté beaucoup de déception de par leurs faibles performances en conditions réelles, particulièrement sur l’imagerie tomodensitomètrique et remnographique. En médecine quantitative diagnostique et pronostique, l’apprentissage profond n’a jamais fait la preuve d’une supériorité sur des statistiques classiques de type régression logistique. Nous présentons ici une nouvelle technologie d’intelligence artificielle dédiée au monde du quantitatif, interprétable et responsable, nommée apprentissage de variété génératif. Cette approche géométrique de l’IA vise à personnaliser les normes médicales radiologiques pour mieux détecter les maladies.

Les 4 auteurs sont cofondateurs du laboratoire d’intelligence artificielle privé GeodAIsics.

Introduction

L’intelligence artificielle (IA) désigne au sens large une science visant à imiter voire à dépasser les capacités humaines en matière d’analyse de données numériques. Les statistiques classiques gèrent bien les données médicales avec peu de caractéristiques par patient, mais très mal les données avec plusieurs centaines de caractéristiques qui ont des spécificités particulières. Cette limitation est connue sous le nom de « malédiction de la dimensionnalité ».
L’apprentissage automatique (machine learning) est un sous-ensemble de l’IA, basé sur des algorithmes statistiques probabilistes permettant aux ordinateurs d’obtenir une capacité d’apprentissage automatique. En médecine, les algorithmes de machine learning peuvent être grossièrement catégorisés en fonction du mode d’apprentissage utilisé : supervisé, non supervisé ou par renforcement (figure 1).

Apprentissage supervisé

L’apprentiss

Il vous reste 92% 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

Pierre-Étienne Heudel

Oncologue médical Centre Léon-Bérard Lyon GeodAIsics Grenoble

Arnaud Jean

Biologiste médical BioAmiens Amiens GeodAIsics Grenoble

Félix Renard

Data scientist GeodAIsics Grenoble

Arnaud Attyé

Arnaud Attyé Neuroradiologue, praticien hospitalier CHU Grenoble-Alpes GeodAIsics Grenoble

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

29 Août

14:11

Un comité multidisciplinaire a élaboré un score pour évaluer la qualité des examens d'IRM pour l'évaluation du cancer de la vessie. « Cela devrait faciliter la reproductibilité et renforcer la confiance dans l'IRM de la vessie au sein des équipes multidisciplinaires », écrit-il dans European Radiology.

7:00

13:10

L'échographie à haute fréquence pourrait être utilisée pour évaluer l'âge osseux chez les enfants, selon une étude publiée par le Journal of the American College of Radiology . 

7:30

Une étude menée à Pékin conclut que l’échographie au lit du patient (POCUS) est une solution pour une évaluation fiable du score VExUS (venous excess ultrasound) en situation de congestion veineuse pathologique.
Docteur Imago

GRATUIT
VOIR