Le machine learning va seconder les radiologues et non les remplacer, telle est la conclusion d’un article à paraître dans l’édition d’avril 2017 de l’American Journal of Radiology. En effet, la création des programmes, l’apprentissage par les machines et leur surveillance sont d’une telle complexité que leur réussite nécessitera une forte implication des radiologues.
Une utilisation actuelle source de dilemmes et d’incertitudes juridiques pour l’avenir
Le machine learning en imagerie aujourd’hui
Le monde de la radiologie utilise de plus en plus de technologies intégrant des formes d’intelligence artificielle telles que le machine learning (ML). Ce sous-ensemble de l’IA permet d’aborder des problèmes complexes à résoudre pour les humains en transférant une partie de la charge dans un algorithme.
Les programmes de machine learning apprennent par l’entraînement: ils reçoivent des exemples dont les résultats sont connus et notent la différence entre leurs prévisions et les résultats corrects. La qualité des prédictions s’améliore avec l’expérience.
Deux types d’algorithmes sont utilisés en radiologie:
- Les Support Vector Machines (SVM), qui, une fois « entraînés », ont une marge de progression plus rapide, mais sont moins précis au départ (pour 100 données, elles ont 25% de bonnes réponses) ;
- Les Convolutional Neural Networks (CNN), qui ont une marge de progression moins rapide mais démarrent avec 73% de bonnes réponses pour 100 données.
Les programmes de machine learning peuvent être supervisés ou non. Ils le sont généralement en imagerie. Dans un programme supervisé, les données sont identifiées avant que le modèle soit entraîné. En effet, le succès des résultats repose sur des prédictions clairement prédéfinies. Dans le cas des programmes non supervisés, les données non identifiées sont exposées à l’algorithme dans le but de les organiser.
La connaissance des statistiques joue un rôle majeur dans le machine learning car elles créent des ensembles d’hypothèses sur des paramètres, des non-paramètres et des semi-paramètres. Ils proviennent d’une donnée observée et sont appliqués à une nouvelle donnée, sur laquelle la prédiction sera faite. Une bonne connaissance des statistiques est donc nécessaire pour éviter des biais tels que des biais de randomisation.
Les limites éthiques et juridiques de ces avancées
Les auteurs de l’article identifient certains problèmes persistants dans le machine learning en imagerie :
- Premièrement, il n’est pas toujours aisé de comprendre comment le machine learning qualifie et organise ses données.
- Pour le moment, les algorithmes sont utilisés dans des situations très contrôlées mais on ne sait pas comment les choses se passeront lorsqu’ils seront distribués largement. Les codes de programmation devront-ils rester les mêmes ou pourront-ils être modifiables?
- Quelles autorités pourront donner des certitudes de viabilité et d’efficacité? Qui délivre l’autorisation de mise sur le marché?
- En ce qui concerne les logiciels utilisés pour des actions successives, par exemple la prise en charge d’un patient, des problèmes éthiques peuvent survenir. Par exemple, le paramètre du prix d’une thérapie peut rentrer en compte dans les recommandations de l’algorithme en fonction des ressources du patient.
- Enfin, le problème de la responsabilité en cas d’erreur reste peu clair: qui prend en charge les erreurs? L’algorithme, les programmateurs, le médecin, l’entreprise?
Des enjeux majeurs en imagerie
Les atouts du machine learning en imagerie
Le machine learning peut permettre d’analyser des données qui nécessitent un travail fastidieux et des connaissances d’experts. Plus il absorbe de données, plus le succès du machine learning est garanti.
Il peut donc surpasser les logiciels d’aide au diagnostic, qui analysent la présence ou l’absence d’éléments associés à une maladie dans une image. Avec le machine learning, les champs d’application sont plus spécifiques et peuvent détecter des caractéristiques très peu connues.
Enfin, le machine learning peut permettre d’augmenter le champ des connaissances dans un domaine précis.
Renforcer les compétences des radiologues en informatique et en statistique
Selon les auteurs de l’article dans l’American Journal of Radiology, le machine learning va permettre d’améliorer fortement les connaissances en imagerie, et va constituer la deuxième révolution du domaine après l’imagerie sectionnelle.
Cependant, son champ d’application reste étroit, et sa complexité fait que « les radiologues ne sont pas près d’être remplacés » par le Machine Learning. Les auteurs appellent donc les radiologues à renforcer leurs connaissances en matière de statistiques et d’informatique afin de superviser les résultats obtenus grâce au machine learning.
