L’intelligence artificielle joue un rôle de plus en plus important dans le domaine de l’imagerie médicale, en aidant les médecins à détecter des anomalies telles que des tumeurs dans les scanners. Mais l’IA, comme les humains, peut commettre des erreurs. Comment s’assurer que les diagnostics basés sur l’IA sont fiables et précis ? Des chercheurs ont mis au point une nouvelle méthode qui permet à une IA de demander un second avis à une autre IA, en créant une sorte de compétition entre les deux systèmes.
Un algorithme de co-apprentissage pour l’IA
L’équipe de recherche, composée de membres des facultés d’ingénierie et d’informatique de l’université Monash en Australie, a publié ses travaux récemment dans la revue Nature Machine Intelligence. Les chercheurs ont conçu un nouvel algorithme de co-apprentissage pour l’IA, qui utilise une approche adversative, ou compétitive, sur des données non étiquetées. Les données non étiquetées sont des images médicales qui n’ont pas été annotées, ou marquées, par des experts humains pour indiquer les zones d’intérêt, comme les tumeurs ou les lésions. Ces annotations fournissent une guidance ou une supervision pour entraîner les modèles d’IA.
Voici une vidéo relatant ces faits :
Le problème est que les images médicales étiquetées par des humains sont limitées en quantité et en qualité. Elles dépendent de l’interprétation subjective des individus, sont longues à réaliser et peuvent entraîner des erreurs et des délais pour les patients qui attendent des traitements. L’algorithme de co-apprentissage permet à l’IA de se passer de ces annotations humaines et d’apprendre directement à partir des images non étiquetées.
Une compétition entre deux systèmes d’IA
Le principe de l’algorithme est de créer une compétition entre deux composantes d’un système d’IA « à double vue ». Une partie du système essaie 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 étiquettes générées par l’IA en les comparant aux étiquettes limitées fournies par les radiologues. C’est comme si une IA vérifiait le travail d’une autre IA.
La partie intéressante est que la seconde IA ne se contente pas d’offrir une vérification, elle fournit également des interprétations alternatives. C’est comme avoir un second médecin qui examine la situation, sauf que tout se passe dans le domaine de la technologie avancée. L’avantage de cette méthode est qu’elle augmente la performance du système, réduit le risque d’erreur humaine et améliore les résultats pour les patients.
Une application à la détection des tumeurs cérébrales
Les chercheurs ont testé leur algorithme sur un ensemble de données contenant des images IRM du cerveau de patients atteints de tumeurs cérébrales. Ils ont comparé leur méthode à d’autres méthodes d’apprentissage automatique existantes et ont constaté qu’elle obtenait de meilleurs résultats en termes de précision et de cohérence. Leur algorithme a permis à l’IA d’étiqueter les images avec trois régions différentes : la tumeur entière, le noyau de la tumeur et l’œdème (la zone où le liquide s’accumule autour de la tumeur).
Les chercheurs espèrent que leur méthode pourra être appliquée à d’autres types d’imagerie médicale, comme la tomodensitométrie (TDM) ou l’échographie. Ils envisagent également de développer un système interactif qui permettrait aux médecins de communiquer avec l’IA et de lui poser des questions sur ses interprétations.
L’IA au service de la santé humaine
Cette recherche illustre le potentiel de l’IA pour améliorer la qualité et l’efficacité de l’imagerie médicale, un domaine essentiel pour la détection précoce et le traitement des maladies. En utilisant l’IA pour demander un second avis à une autre IA, les chercheurs ont créé un protocole de sécurité virtuel pour l’imagerie médicale.
Le système d’IA fonctionne comme un vérificateur d’erreurs, offrant aux médecins un moyen plus fiable de diagnostiquer les patients. C’est une avancée remarquable pour le domaine de l’IA et son rôle croissant dans nos vies. Ils disent que deux têtes valent mieux qu’une, et il semble que cela soit vrai même lorsque ces têtes sont des systèmes d’IA !