The data challenges of AI for medical imaging

L’intelligence artificielle (IA) a montré un grand potentiel pour aider les cliniciens dans l’analyse des images médicales pour le diagnostic et le suivi de plusieurs dizaines de pathologies. Ce succès dépend toutefois de deux facteurs critiques. Premièrement, les modèles d’IA nécessitent un large ensemble de données d’entraînement avec des annotations de haute qualité. Deuxièmement, les images qui seront traitées par le modèle d’IA une fois déployé sont censées avoir les mêmes propriétés statistiques que les données d’entraînement. Si l’une de ces deux conditions n’est pas remplie, il est probable que le modèle d’IA échoue, ce qui est critique dans un contexte clinique. Dans cet exposé, je présenterai certains de nos travaux récents qui visent à relever ces défis. Dans une première partie, je discuterai de nouvelles stratégies méthodologiques visant à faciliter l’annotation des données et à mieux utiliser les petits échantillons lors de la formation. Dans la deuxième partie, je présenterai certains de nos travaux sur les stratégies de contrôle de qualité pour surveiller les performances des modèles d’IA déployés et détecter les dérives potentielles dans la distribution des données de test.