En préambule

L’explosion quantitative des données numériques, associée à une amélioration sans précédent des ressources de calcul permises par des techniques informatiques en plein essor, a permis d’ouvrir la médecine à la recherche en intelligence artificielle (IA). Les succès retentissants de l’IA médicale pour utiliser ce qu’il est coutume d’appeler les “big data” ont surtout été médiatisés au cours de la dernière décennie, mais on peut rappeler ici que le terme IA a été inventé pour la première fois lors d’un atelier d’été au Dartmouth College en 1956 pour désigner un comportement intelligent observé au niveau de machines ou de logiciels.

Actuellement, la compréhension des nuances de la recherche en IA nécessite l’utilisation de deux autres termes clés : l’apprentissage machine (machine learning) et un sous-domaine particulier appelé apprentissage profond (ou deep learning et ce terme sera conservé dans cet article [NDT]). Alors que les algorithmes informatiques traditionnels nécessitent la composition détaillée de règles sous la forme d’une recette, l’apprentissage machine implique l’exécution d’une tâche donnée sans programmation explicite mais plutôt par “expérience” acquise lors de l’intégration de nombreuses données avec un processus d’apprentissage.

Le deep learning est l’une des techniques d’apprentissage machine basées sur l’archi­tecture des réseaux de neurones biologiques et qui est à l’origine de nombreuses études en IA aujourd’hui à la une des journaux. Bien qu’il persiste des controverses autour de l’avantage du deep learning par rapport aux anciennes techniques de modélisation statistique comme la régression logistique, le deep learning excelle probablement dans la cartographie des types de données en haute dimension, telles que les images médicales.

Ces dernières années, les performances des modèles d’IA médicale ont atteint des niveaux impressionnants, en particulier dans le domaine de la classification des images : la catégorisation d’une image donnée, qui indique généralement le diagnostic, l’urgence de la prise en charge ou le pronostic. La précision diagnostique des modèles d’IA a été comparable et, dans certains cas, a même dépassé les performances des humains dans des domaines allant de la mammographie à l’interprétation[...]

Connectez-vous pour consulter l'article dans son intégralité.