Pourquoi l’IA est-elle impuissante face au Covid-19 ?
Ne serait-ce pas formidable si un diagnostic médical pouvait être automatisé grâce au machine learning et à l’intelligence artificielle, et ainsi éviter d’attendre des jours ou des semaines pour obtenir un rendez-vous ? Il suffirait d’aller en ligne, de se faire poser les questions par une IA, puis d’obtenir un rendez-vous physique si nécessaire.
C’est l’objectif du diagnostic médical automatique. Mais comme toutes les applications de machine learning, les modèles ont besoin d’être entraînés. Comme nous avons affaire à des humains, nous ne pouvons pas nous entraîner sur de vraies interactions médecin-patient ou laisser l’agent d’IA poser un mauvais diagnostic sur de vrais patients. Pourtant, l’échec est essentiel à la formation.
C’est pourquoi les chercheurs envisagent de développer un simulateur de patient pour former des modèles de machine learning, en utilisant de vrais enregistrements de dialogue médecin-patient. Mais comme les dialogues se déroulent en personne, le médecin observe le patient et fait des observations tacites que le dialogue ne parvient pas à saisir. Les enregistrements ne permettent pas de saisir les questions non posées et sans réponse sur lesquelles une IA doit s’entraîner.
Le problème de la formation
Les gains massifs en matière de vision par ordinateur on été alimentés par les milliards de photos mises en ligne au cours des 30 dernières années. Enseigner à une machine à différencier les chats des chiens est facilité par toutes les photos de chats et de chiens accompagnées de légendes, comme « mon chien ».
Mais nous avons déjà rencontré des problèmes d’entraînement avec les humains lorsque le corpus n’est pas représentatif de la grande diversité des gens. Les résultats ne peuvent être bons que selon le corpus sur lequel une IA est formée.
A mesure que la technologie de l’IA s’étend à des domaines plus ésotériques, le problème de l’obtention d’un corpus d’entraînement suffisant va s’accroître. Un problème spécifique de l’IA médicale est le suivant : comment pouvons-nous simuler utilement les symptômes des patients ?
Enquête contrefactuelle
La simulation des symptômes des patients semble pouvoir se retourner contre eux, mais les chercheurs de l’université Sun Yat-sen et de l’UCLA ont proposé une solution : un simulateur de patients basé sur la propension (PBPS).
Ce simulateur est lui-même un réseau neuronal formé pour estimer la propension d’un patient à signaler un symptôme particulier. La réponse du PBPS est insérée dans les données de formation pour compléter les données factuelles des dossiers cliniques. Il peut utiliser des données provenant d’interactions cliniques ultérieures – une seconde opinion qui inclut des symptômes plus subtils – pour entraîner l’IA à diagnostiquer et approfondir l’expérience du patient. Contrairement aux humains, l’IA ne se fatigue pas, ne se presse pas et ne s’oublie pas, et peut mettre en évidence des millions d’interactions cliniques, bien plus que la plupart des médecins n’en auront jamais.
Mais en fin de compte, ils ont découvert que cette technique permettait un diagnostic rapide et fiable, sans qu’il soit nécessaire de se poser un grand nombre de questions.
Une grande partie de la recherche sur l’IA provient de Chine aujourd’hui. Un pays de 1,3 milliard d’habitants a bien plus de chances d’accumuler de grands ensembles de données pour la formation. Etant donné que d’ici 2030, l’Inde aura la plus grande population du monde, nous devrions peut-être nous tourner vers ce pays pour la direction future de l’IA… l’échelle change tout, surtout en matière d’IA.
Source : ZDNet.com
