Le deep learning pose la question de la qualité des données et de l'éthique de leur utilisation
MARDI 23 NOVEMBRE 2021
Soyez le premier à réagirL’intelligence artificielle est omniprésente, dans la radiologie moderne, plus spécifiquement dans l’aide à la décision diagnostique. Mais la communauté radiologique est peu au fait du fonctionnement d’un algorithme, surtout des applications que l’on peut faire du deep learning. La session d’ouverture du récent congrès F.IR.E 2021 nousa permis de nous acculturer dans ce domaine.
Le congrès Future of Interventional Radiology Expert Panel (F.IR.E) 2021, qui s’est tenu les 28 et 29 novembre 2021, a débuté par une remise à niveau sur l’intelligence artificielle (IA) à l’époque actuelle du deep learning.
Les nombreuses applications de l’intelligence artificielle pour le traitement de l’image
Et c’est Badih Ghattas, mathématicien Maître de conférences à Aix-Marseille Université (AMU), qui a posé les bases de l’IA appliquée à l’image non médicale. Il a d’emblée distingué l’apprentissage profond supervisé, qui lie un tag à une image, du non supervisé, qui affecte des images à une catégorie d’objets. Ce qui l’a conduit, dans un deuxième temps, à énumérer les différentes tâches possibles pour un algorithme, depuis la classification jusqu’à la segmentation sémantique – exemple : la coloration d’un organe -, en passant par la détection d’objet ou le transfert de domaine – exemple : un objet vu en PETScan transformé en vue IRM -.
Il a également posé les limites du deep learning utilisé de nos jours, en termes d’évaluation incertaine des résultats obtenus, puisque la preuve est faite par l’expérience, mais également en termes de mobilisation d’experts pour l’interprétation des objets lors de leur annotation ou de volumes de données nécessaires pour affiner la formation des algorithmes. Sans compter la segmentation, qui représente le travail fastidieux de coloriser chaque pixel de l’image considérée.
La qualité des données et l’éthique dans leur utilisation ne sont pas assurées aujourd’hui
C’est ensuite Bastien Rance, Docteur en informatique et Maître de conférences à l’Université Paris-Sud, qui est entré plus dans le détail pour décrire un réseau de neurones utilisé pour le deep learning. Chaque neurone est décrit comme une fonction mathématique d’activation de données agglomérées. Les neurones sont disposés en couches, d’entrée et de sortie, avec des couches profondes placées entre les deux et qui sont le cœur du système. Ce sont elles qui assurent la fonction de classification, de détection d’objet ou de segmentation, entre autres.
Bastien Rance a également décrit quelques fonctionnalités particulières, comme l’Auto encoder Denoiser, qui ajoute du bruit aux données d’entrée pour entraîner les algorithmes à débruiter. Il a, d’autre part, mis en lumière l’importance de l’annotation pour l’IA supervisée, qu’il juge coûteuses en temps humain expert et dont il discute la validité à dix ans, car ces tags ne sont pas transposables dans la pratique actuelle. C’est, selon lui, un des biais à surveiller à moyen terme, de même que la possible identification de groupes de patients – notamment raciales – à partir des données étudiées.
Cette session nous a permis de poser un cadre solide aux propriétés de l’intelligence artificielle appliquée à la détection d’images. Mais elle a servi également d’avertissement, la qualité des données et l’éthique n’étant, en l’état actuel des choses, pas totalement assurées dans cette discipline.
Bruno Benque