Améliorer la confiance des modèles d’IA dans l’analyse d’images médicales et au-delà
Dans le domaine médical, l’analyse d’images comme les radiographies peut s’avérer difficile en raison de l’ambiguïté des signaux visuels. Par exemple, une épanchement pleural peut sembler très similaire à des infiltrats pulmonaires, rendant le diagnostic plus complexe pour les cliniciens. Pour les aider, l’intelligence artificielle (IA) propose des outils capables d’identifier des détails subtils et d’accélérer le processus diagnostique, en offrant non pas une seule prédiction, mais un ensemble de diagnostics potentiels.
Une nouvelle méthode pour des prédictions plus fiables et précises
Une technique prometteuse nommée classification conforme permet de générer un ensemble de diagnostics avec la garantie que la bonne réponse s’y trouve. Toutefois, cette méthode peut produire des ensembles trop vastes pour être réellement utiles. Par exemple, identifier une espèce animale parmi des milliers pourrait aboutir à des centaines de résultats à examiner.
Des chercheurs du MIT ont développé une amélioration simple et efficace qui permet de réduire jusqu’à 30 % la taille de ces ensembles de prédictions, tout en renforçant leur fiabilité. Ainsi, les cliniciens peuvent se concentrer plus rapidement sur les bonnes hypothèses, ce qui a un impact direct sur la qualité et la rapidité du traitement des patients. Ce procédé est également applicable à d’autres domaines nécessitant une classification robuste.
La puissance de la technique « test-time augmentation » (TTA)
Pour surmonter les limites des prédictions classiques, les chercheurs ont utilisé une approche appelée test-time augmentation (TTA). Cette méthode génère plusieurs versions modifiées d’une même image (recadrage, rotation, zoom, etc.) et agrège les résultats des prédictions correspondantes pour améliorer la précision et la robustesse.
Concrètement, en appliquant TTA aux données disponibles, l’algorithme apprend à combiner ces variations afin d’optimiser la qualité des prédictions. Ensuite, la classification conforme est exécutée sur ces prédictions enrichies, ce qui réduit le nombre de diagnostics proposés sans perdre la garantie statistique de présence de la bonne réponse.
Des gains significatifs sans réentrainement du modèle
Un atout majeur de cette méthode est sa simplicité d’implémentation et le fait qu’elle n’exige pas de réentrainer le modèle d’IA. Les résultats obtenus sur différents jeux de données ont montré une réduction importante de la taille des ensembles de prédictions, allant de 10 à 30 %, tout en conservant la fiabilité garantie.
Par ailleurs, même si une partie des données annotées est utilisée pour optimiser l’agrégation TTA, l’amélioration de la précision compense largement cette contrainte. Cela soulève des questions intéressantes sur la meilleure manière d’allouer les données annotées lors des étapes post-entrainement.
Perspectives et applications futures
Les chercheurs souhaitent désormais valider cette approche dans le domaine du traitement du texte et envisagent d’optimiser le coût computationnel de la méthode TTA. Ces avancées pourraient permettre d’étendre son utilisation à de nombreux autres champs, renforçant la confiance accordée aux modèles d’IA même dans des contextes critiques.
Cette recherche a été soutenue en partie par la Wistrom Corporation.
👉 Source ici