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

08 Août

7:13

La conférence internationale de l’International Pediatric Stroke Organization (IPSO2026), pour la prise en charge des AVC pédiatriques se tiendra du 27 au 29 mai prochain à Paris, sous le thème « Inspiring Innovation, Transforming Care and Improving Outcomes in Pediatric Stroke »,
07 Août

15:00

L’atlas de datation des fractures a permis d’améliorer considérablement les performances des radiologues pour la datation des fractures de la clavicule, de l’humérus et du fémur du nourrisson, et peut ainsi servir de substituts pour dater les fractures des os longs couramment rencontrées dans la maltraitance infantile, (étude).

7:00

Une collaboration internationale de sociétés de radiologie thoracique a élaboré des recommandations pour harmoniser l’évaluation des anomalies pulmonaires résiduelles post-COVID-19. Elle préconise un scanner thoracique à faible dose chez les patients présentant des symptômes respiratoires persistants ou progressifs trois mois après l’infection, et recommande l’usage du glossaire de la Fleischner Society. Le terme « anomalie pulmonaire résiduelle post-COVID-19 » doit remplacer « anomalie pulmonaire interstitielle », pour décrire les anomalies pulmonaires au scanner après une pneumonie COVID-19.
06 Août

15:00

Une étude multicentrique, publiée par Academic Radiology, a évalué l’apport de l’intelligence artificielle (IA) dans la détection du cancer de la prostate sur IRM. L’assistance par IA a significativement amélioré la sensibilité des radiologues non experts (de 67,3 % à 85,5 %) sans compromettre la spécificité, tandis que l’IA seule a également montré une performance diagnostique élevée. Ces résultats suggèrent que l’IA peut renforcer l’efficacité du diagnostic des radiologues.
Docteur Imago

GRATUIT
VOIR