L’INTELLIGENCE ARTIFICIELLE DANS LE TRAVAIL
Le machine learning, bien qu’extrêmement prometteur, présente un inconvénient majeur : il nécessite une énorme quantité de données pour être efficace. Pour entraîner un nouvel algorithme, il est essentiel de lui fournir un ensemble de données très riche et soigneusement étiquetée. Sans cela, l’efficacité de l’algorithme se retrouve gravement compromise, et ses résultats peuvent devenir peu fiables.
Pour remédier à cette situation, une collaboration entre des chercheurs de Nvidia, entreprise spécialisée dans les composants électroniques, et plusieurs hôpitaux a donné naissance à une IA capable de produire des imageries cérébrales réalistes à partir de patients fictifs. Ces imageries peuvent inclure divers types de tumeurs : une ressource potentielle pour entraîner des applications d’IA lorsque les données réelles manquent. Cette recherche a été publiée dans un article disponible sur arXiv.
UNE NOUVELLE APPROCHE DES DONNÉES
La méthode employée par l’équipe de Nvidia repose sur un réseau antagoniste génératif (GAN). Ce type d’algorithme fonctionne en opposant deux parties : l’une génère des données et l’autre critique ces créations dans le but de perfectionner la première. Pour élaborer les imageries cérébrales, les chercheurs ont utilisé deux ensembles de données : un représentant des cerveaux non cancéreux de patients atteints de la maladie d’Alzheimer, et un autre constitué de patients ayant des tumeurs cérébrales.
Grâce à ces données, le GAN a réussi à générer des IRM 3D de cerveaux avec des tumeurs. Pendant que l’une des parties tentait de créer une image convaincante, l’autre évaluait si l’image était réaliste ou non. Si l’image produite ne satisfait pas au critère de réalisme, le système ajustait alors ses paramètres pour tenter de fournir une meilleure version.
À la fin de leur processus d’entraînement, les chercheurs ont testé l’algorithme pour voir s’il pouvait distinguer les scans artificiels des scans réels. Ils ont découvert que les IA entraînées avec un mélange d’images générées et authentiques pouvaient localiser une tumeur dans une image avec une précision de 80 %, alors que celles ayant uniquement reçu des données authentiques atteignaient 66 %.
DES QUESTIONS SONT ENCORE SOUMISES
L’algorithme développé par Nvidia, bien qu’efficace dans la création de ensembles de données pour d’autres IA, suscite certaines préoccupations. Premièrement, cette technologie a été formée sur seulement deux ensembles de données, ce qui pourrait limiter la diversité et la précision des tumeurs qu’elle est capable de générer. Il existe également un risque que le GAN soit plus compétent pour des types spécifiques de tumeurs, ce qui pourrait restreindre son utilité dans le diagnostic d’une variété de cas réels.
Néanmoins, l’enthousiasme autour de cette IA reste fort. Selon le principal auteur de l’étude, Hu Chang, des radiologues sont impatients de l’utiliser pour produire davantage d’images concernant des maladies rares.
FAQ
Qu’est-ce qu’un réseau antagoniste génératif ?
Un réseau antagoniste génératif (GAN) est un type d’algorithme d’apprentissage automatique où deux réseaux se confrontent : l’un génère des données et l’autre les évalue.
Pourquoi le machine learning a-t-il besoin de beaucoup de données ?
Les algorithmes de machine learning apprennent à partir des données qu’ils reçoivent. Plus ils ont de données variées et étiquetées, meilleure sera leur capacité à effectuer des classifications ou des prédictions précises.
Quels sont les risques liés à l’utilisation de données synthétiques ?
Les données synthétiques peuvent ne pas capter toute la complexité des cas réels, ce qui pourrait entraîner des biais dans les diagnostics ou les traitements.
Comment les radiologues voient-ils l’IA dans leur pratique ?
De nombreux radiologues voient d’un bon œil l’intégration de l’IA pour améliorer l’efficacité et la précision du diagnostic, surtout pour des maladies rares où les données se font rares.
Quelle est la prochaine étape pour cette recherche ?
Les chercheurs envisagent de diversifier les ensembles de données utilisés pour l’entraînement afin d’améliorer la précision et l’applicabilité de l’IA dans des contextes cliniques variés.