Les médecins optent pour des algorithmes d’IA plus simples

Les scientifiques de BFU ont déterminé que les professionnels de la santé préfèrent utiliser des algorithmes d’apprentissage automatique plus simples plutôt que l’IA d’apprentissage en profondeur. Cela est dû au fait que l’intelligence artificielle ne laisse aucune possibilité aux spécialistes d’interpréter les résultats, alors qu’un avis définitif doit être donné par un médecin afin d’éviter toute erreur. De plus, les auteurs ont déterminé quels algorithmes d’IA exacts sont utilisés dans des domaines médicaux distincts. Par conséquent, cet article peut servir de manuel de référence pour aider le personnel médical à choisir la méthode d’apprentissage automatique optimale pour une tâche spécifique. Les résultats de la recherche ont été publiés dans la revue International Journal of Environmental Research and Public Health.

Les technologies de l’IA sont actuellement largement utilisées en médecine. Ils aident les médecins à détecter des anomalies sur des photos, par exemple des tumeurs, à sélectionner un traitement individuel pour chaque patient et à surveiller l’état du patient en temps réel. En outre, l’IA est utilisée dans le développement de dispositifs médicaux robotiques tels que des capteurs portables qui prennent diverses mesures et renvoient les données au médecin.

Des scientifiques de l’Université fédérale Immanuel Kant Baltic (Kaliningrad) avec leurs collègues du Centre médical et chirurgical national nommé d’après NI Pirogov (Moscou) et de l’Institut russe de recherche sur la santé (Moscou) ont déterminé quels algorithmes d’IA sont les plus populaires en médecine, après avoir analysé leur mention dans 10 000 articles de recherche de la base de données PubMed.

Les auteurs ont proposé une approche qui permet de récupérer différentes structures d’ensembles de données en créant des réseaux de co-occurrence. Avec un programme appelé VOSviewer, les scientifiques ont visualisé un réseau qui reflète la cooccurrence de termes médicaux et de concepts concernant les algorithmes d’IA. Comme concepts clés, les scientifiques ont utilisé des mots et des collocations tels que “intelligence artificielle”, “apprentissage automatique”, “apprentissage en profondeur”, “cerveau”, “prévision”, “tomographie” et autres. Il s’est avéré que tous les termes peuvent être classés en cinq groupes de sujets.

Le groupe de traitement du signal comprenait des concepts liés à l’électroencéphalographie (EEG) et à l’électrocardiographie (ECG), où l’IA est couramment utilisée. Les clusters d’apprentissage automatique et profond ont combiné divers principes et approches de fonctionnement du système d’IA. Dans le même temps, l’apprentissage en profondeur peut être considéré comme une forme d’apprentissage automatique, dont la principale caractéristique est qu’il est utilisé dans l’IA. Il n’est pas utilisé dans l’apprentissage automatique régulier, et les systèmes correspondants fonctionnent sur des algorithmes mathématiques plus simples.

Le cluster de traitement d’images combinait des algorithmes d’analyse d’images médicales et des zones concernées, par exemple l’imagerie par résonance magnétique. Le dernier groupe d’études rétrospectives a été consacré aux concepts liés à l’évaluation de la réalité et à la reproductibilité des résultats.

Le cluster d’apprentissage automatique, qui est le plus grand, avait une grande quantité de connexions avec les autres ensembles de termes. Par conséquent, les liens les plus fréquents ont été avec les pôles d’apprentissage profond, de traitement d’images et d’études rétrospectives. D’une part, ces connexions indiquent que de tels algorithmes sont couramment utilisés pour analyser des images médicales, en particulier des images neurologiques. D’autre part, cela indique qu’il est utilisé pour la prévision des maladies, par exemple la croissance tumorale.

La recherche a également montré que l’apprentissage en profondeur, c’est-à-dire l’IA, est rarement pratiqué en médecine et, s’il est utilisé, l’IA aide à analyser les images. Cela est dû au fait que les décisions prises par une telle IA médicale sont difficiles à expliquer de manière explicite. En d’autres termes, pour revenir à l’analogie de la “boîte noire”, la technologie de l’IA médicale doit être transparente : lors de l’utilisation, le médecin doit pouvoir récupérer pourquoi l’algorithme est arrivé à telle ou telle conclusion. Alors que les technologies d’apprentissage en profondeur ne laissent souvent aux médecins aucune marge d’interprétation des résultats obtenus grâce à elles. Les mêmes auteurs ont déterminé que les méthodes basées sur l’apprentissage en profondeur sont populaires dans les recherches sur les maladies du système cardiovasculaire. Des algorithmes d’apprentissage automatique plus simples, mais plus facilement interprétables, sont le plus souvent utilisés pour l’analyse des signaux, l’EEG et l’ECG par exemple, et la prédiction du développement de la maladie.

En plus de cela, les auteurs ont déterminé que “visualisation” et “paramètres de santé” étaient les mots les plus courants en conjonction avec les termes d’IA dans les articles médicaux. Cela indique que ces technologies sont principalement utilisées pour le traitement d’images et l’analyse de la condition humaine en fonction de ses différentes caractéristiques corporelles.

“Nos résultats peuvent aider les professionnels de la santé à choisir des algorithmes d’IA optimaux pour leur activité de recherche. De cette manière, notre article peut servir de guide de référence aux médecins et aux informaticiens travaillant dans le domaine de l’IA médicale. Nous pensons également que notre méthode proposée peut être efficace dans l’analyse de données complexes dans d’autres domaines scientifiques En tant que développeurs de systèmes d’aide à la décision clinique dans le domaine médical, nous prévoyons à l’avenir d’utiliser les données que nous avons reçues pour élargir la gamme des algorithmes d’apprentissage automatique que nous utilisons pour diagnostiquer les maladies du cerveau “,— déclare Alexander Hramov, docteur en physique et mathématiques, professeur, directeur scientifique au Baltic Center for Neurotechnology and Artificial Intelligence de l’Université Immanuel Kant Baltic.

Plus d’information:
Oleg E. Karpov et al, Analyse de l’activité de publication et des tendances de la recherche dans le domaine des applications médicales de l’IA : Approche réseau, Revue internationale de recherche environnementale et de santé publique (2023). DOI : 10.3390/ijerph20075335

Fourni par Immanuel Kant Baltic Federal University