L’IA peut demander à une autre IA un deuxième avis sur les analyses médicales, selon des recherches
Image médicale annotée par l’IA montrant les régions améliorées de la tumeur, du noyau de la tumeur et de l’œdème. Crédit : Université Monash
Publié récemment dans Intelligence des machines naturellesla recherche a abordé la disponibilité limitée des images médicales humaines annotées ou étiquetées en utilisant une approche d’apprentissage contradictoire ou compétitive par rapport aux données non étiquetées.
Cette recherche, menée par les facultés d’ingénierie et d’informatique de l’Université Monash, pourrait faire progresser le domaine de l’analyse d’images médicales pour les radiologues et autres experts de la santé.
doctorat Le candidat Himashi Peiris de la Faculté de génie, a déclaré que la conception de la recherche visait à créer une compétition entre les deux composants d’un système d’IA « à double vue ».
« Une partie du système d’IA tente d’imiter la façon dont les radiologues lisent les images médicales en les étiquetant, tandis que l’autre partie du système juge la qualité des scans marqués générés par l’IA en les comparant aux scans marqués limités fournis par les radiologues », a déclaré Peiris.
« Traditionnellement, les radiologues et autres experts médicaux annotent ou étiquettent manuellement les scans médicaux mettant en évidence des domaines d’intérêt spécifiques, tels que des tumeurs ou d’autres lésions. Ces étiquettes fournissent des conseils ou une supervision pour la formation de modèles d’IA.
« Cette méthode repose sur l’interprétation subjective des individus, prend du temps et est sujette à des erreurs et à des périodes d’attente prolongées pour les patients cherchant des traitements. »
La disponibilité d’ensembles de données d’images médicales annotées à grande échelle est souvent limitée, car il faut beaucoup d’efforts, de temps et d’expertise pour annoter manuellement de nombreuses images.
L’algorithme développé par les chercheurs de Monash permet à plusieurs modèles d’IA de tirer parti des avantages uniques des données étiquetées et non étiquetées, et d’apprendre des prédictions des autres pour aider à améliorer la précision globale.
« Sur les trois ensembles de données médicales accessibles au public, en utilisant un paramètre de données étiqueté à 10 %, nous avons obtenu une amélioration moyenne de 3 % par rapport à l’approche de pointe la plus récente dans des conditions identiques », a déclaré Peiris.
« Notre algorithme a produit des résultats révolutionnaires dans l’apprentissage semi-supervisé, surpassant les méthodes de pointe précédentes. Il démontre des performances remarquables même avec des annotations limitées, contrairement aux algorithmes qui reposent sur de gros volumes de données annotées.
« Cela permet aux modèles d’IA de prendre des décisions plus éclairées, de valider leurs évaluations initiales et de découvrir des diagnostics et des décisions de traitement plus précis. »
La prochaine phase de la recherche se concentrera sur l’extension de l’application pour travailler avec différents types d’images médicales et sur le développement d’un produit de bout en bout dédié que les radiologues peuvent utiliser dans leur pratique.
