Un nouveau modèle d'IA ouvre la voie à un diagnostic fiable de la COVID-19 via des radiographies sur smartphone
- L'étude évalue les limites du diagnostic assisté par IA des images radiographiques via des applications de messagerie (AIDXA) dans le contexte du diagnostic de la COVID-19.
- Les chercheurs identifient l'« Instabilité de Prédiction » (PIP) et la « Saliency Hors-Poumon » (OLS) comme des défauts critiques des modèles AIDXA actuels.
- Un modèle novateur d'apprentissage multi-tâches, COVIDMT, est présenté pour répondre aux défis posés par le PIP et l'OLS, avec des résultats prometteurs.
Dans une avancée révolutionnaire vers l'amélioration de l'efficacité du diagnostic de la COVID-19 par smartphone, une étude récente publiée dans Scientific Reports explore les subtilités du diagnostic assisté par IA des images radiographiques via des applications de messagerie (AIDXA). Avec la dépendance croissante aux modèles d'IA pour les diagnostics médicaux, les chercheurs dévoilent les limites qui se cachaient dans l'ombre, en particulier lors de l'analyse d'images radiographiques fortement compressées partagées via des applications sur smartphone.
Limites dévoilées
Dans leur quête pour examiner le paysage actuel du diagnostic de la COVID-19 basé sur l'IA, les chercheurs présentent une étude de cas complète mettant en évidence deux limitations majeures des systèmes AIDXA : l'instabilité de la prédiction (PIP) et la saillance hors poumon (OLS). L'étude souligne l'impact critique de ces limitations sur la fiabilité des modèles d'IA pour identifier la COVID-19 à partir d'images radiographiques transmises par smartphone.
Les enquêteurs présentent une contribution novatrice au paysage académique sous la forme d'un jeu de données pionnier, dénommé « WhatsApp CXR » (WaCXR). Ce jeu de données méticuleusement élaboré est expressément conçu pour examiner et évaluer l'impact de la compression d'image sur les performances des modèles AIDXA. Avec une compilation volumineuse dépassant 6 500 instances, englobant à la fois des images radiographiques (CXR) compressées et non compressées, ce jeu de données sert de terrain expérimental pour mettre au jour les vulnérabilités inhérentes aux modèles d'IA actuels.
Les révélations issues de l'étude mettent en lumière la fragilité inhérente aux résultats prédictifs, où un modèle unique peut fournir des résultats diagnostiques contradictoires en fonction de l'état de compression de l'image radiographique considérée. Cette exploration nuancée souligne l'interaction complexe entre la compression d'image et la stabilité des prédictions diagnostiques de l'IA, contribuant ainsi de manière significative au débat en cours sur le raffinement et le renforcement de l'intelligence artificielle dans l'imagerie médicale.
Pour quantifier ces problèmes, les chercheurs introduisent le « PI Score » et le « OLS Score » en tant que métriques, éclairant le degré d'instabilité et de saillance présents dans les modèles AIDXA de pointe. Ces métriques fournissent une base quantitative pour comprendre les limites qui entravent l'application fluide de l'IA dans le domaine du diagnostic de la COVID-19.
COVIDMT est un modèle d'IA révolutionnaire
En réponse aux défis identifiés, les chercheurs dévoilent une solution révolutionnaire : COVIDMT. Ce nouveau modèle d'apprentissage multi-tâches (MTL) est méticuleusement conçu pour surmonter les lacunes des modèles AIDXA existants, en particulier en s'attaquant au PIP et à l'OLS.
COVIDMT, construit sur un réseau d'apprentissage profond de pointe, inaugure une nouvelle ère de fiabilité dans le diagnostic de la COVID-19. Tirant parti de l'apprentissage par transfert via les poids d'Imagenet, le modèle présente une amélioration de 40 % du score PI et une amélioration de 35 % du score OLS par rapport à ses homologues tels que ResNet-50 et ResNeXt-50.
Cette enquête plonge profondément dans les systèmes AIDXA largement utilisés, examinant spécifiquement les réseaux neuronaux profillés notables tels que ResNet-50, ResNeXt-50, VGG-19, XceptionNet et le distinctif COVID-Net. Notamment, COVID-Net occupe une position de premier plan, étant donné qu'il utilise le même jeu de données d'entraînement que COVIDMT, facilitant ainsi une analyse comparative directe et significative.
Les résultats de l'évaluation complète mettent en évidence la résilience de COVIDMT, signalant une avancée notable tant en stabilité qu'en saillance par rapport aux modèles de diagnostic de la COVID-19 par IA prévalents de l'ère actuelle. Ces résultats suggèrent subtilement le potentiel prometteur inhérent aux cadres d'apprentissage multi-tâches (MTL), présentant une voie intrigante et fertile pour les explorations et améliorations futures dans le domaine des diagnostics médicaux.
L'avenir de l'IA dans le diagnostic de la COVID-19 par smartphone
À mesure que l'horizon des diagnostics médicaux basés sur l'IA s'élargit, l'étude nous laisse méditer sur les défis et les possibilités futurs. Les cadres d'apprentissage multi-tâches, illustrés par COVIDMT, pourraient-ils être la clé de voûte pour renforcer les modèles d'IA contre l'instabilité et la saillance ? La quête d'un diagnostic fiable et précis de la COVID-19 via les smartphones est au premier plan, exhortant chercheurs et praticiens à explorer des voies innovantes et à affiner la synergie entre l'intelligence artificielle et l'imagerie médicale.
Les esprits les plus brillants du secteur crypto lisent déjà notre newsletter. Vous aussi ? Rejoignez-les.
Avertissement. Les informations fournies ne constituent pas des conseils en matière d'investissement. Cryptopolitan.com ne saurait être tenue responsable des investissements réalisés sur la base des informations fournies sur cette page. Nous recommandons vivement de mener vos propres recherches et/ou de consulter un professionnel qualifié avant de prendre toute décision d'investissement.
Aamir Sheikh
Aamir est journaliste technologique avec près de six ans d'expérience dans les secteurs de la cryptomonnaie et de la technologie. Il est diplômé de l'université MAJ avec un MBA en finance et marketing. Il travaille désormais pour Cryptopolitan, où il rend compte des dernières évolutions des marchés de la cryptomonnaie et des prévisions de prix.
