L'IA s'avère exceptionnellement utile pour diagnostiquer des maladies à partir d'images médicales, telles que des radiographies, à grande échelle. Cependant, les outils d'IA ne sont pas toujours capables de reconnaître leurs propres inexactitudes.
En réponse, Google a développé un nouveau système d'IA appelé "Complementarity-driven Deferral-to-Clinical Workflow" (CoDoC), qui peut discerner quand il faut faire confiance aux diagnostics basés sur l'IA et demander un second avis à un médecin humain.
Selon le l'étudeCoDoC réduit la charge de travail liée à l'analyse des données des scanners médicaux de 66%, mais il détecte également les cas où une décision de l'IA est potentiellement erronée, ce qui réduit les faux positifs de 25%.
CoDoC fonctionne en parallèle avec les systèmes d'IA existants, généralement utilisés pour interpréter les images médicales telles que les radiographies du thorax ou les mammographies.
Par exemple, si un outil d'IA interprète une mammographie, CoDoC évalue si la confiance perçue de l'outil dans son analyse est suffisamment forte pour que l'on puisse s'y fier. En cas d'ambiguïté, CoDoC demande un deuxième avis à un expert humain.
Voici comment cela fonctionne :
- Pour former CoDoC, Google a pris des données provenant d'outils d'IA cliniques existants et les a comparées à l'interprétation des mêmes images par un clinicien humain. Le modèle a ensuite été validé par une post-analyse des données via une biopsie ou d'autres méthodes.
- Ce processus permet au CoDoC d'apprendre et de comprendre à quel point l'analyse et les niveaux de confiance d'un outil d'IA sont précis par rapport à ceux des médecins humains.
- Une fois formé, le CoDoC peut juger si une analyse de scans par l'IA est digne de confiance ou si un examen humain est nécessaire.
Alan Karthikesalingam de Google Health UK, qui a participé à la recherche, ditSi vous utilisez CoDoC avec l'outil d'IA et les résultats d'un vrai radiologue, et que CoDoC vous aide à choisir l'avis à utiliser, la précision obtenue est meilleure que celle de la personne ou de l'outil d'IA seuls.
D'autres tests de CoDoC ont été effectués en utilisant différents ensembles de données de mammographie et de radiographies pour le dépistage de la tuberculose dans divers systèmes d'IA prédictive, et ont donné des résultats positifs.
Krishnamurthy Dvijotham, de Google DeepMind, a déclaré : "L'avantage de CoDoC est qu'il est interopérable avec un grand nombre de systèmes d'IA propriétaires".
Toutefois, Helen Salisbury, de l'Université d'Oxford, souligne que certains processus de diagnostic médical sont plus complexes que ceux sur lesquels CoDoC a été testé. Elle déclare : "Pour les systèmes où vous n'avez aucune chance d'influencer, a posteriori, ce qui sort de la boîte noire, il semble que ce soit une bonne idée d'y ajouter l'apprentissage automatique. Je ne sais pas si cela rapproche l'IA qui nous accompagnera toute la journée, tous les jours, dans notre travail de routine".
Comme le soulignent les chercheurs, l'interopérabilité de CoDoC signifie qu'il peut s'intégrer dans différents flux de travail de diagnostic.
ALes systèmes I peuvent collaborer avec les systèmes d'IA pour améliorer leur précision. Comme le dit le proverbe, quatre yeux voient mieux que deux.
