L’IA est en train de révolutionner la médecine. Dans un précédent article, nous évoquions par exemple comment Google a développé une intelligence artificielle capable de détecter les cancers du sein. Aujourd’hui, nous relayons des recherches qui ont permis de créer une IA capable de prédire la mortalité ou les crises cardiaques avec une précision de 90 %.
Dans un communiqué publié par l’European Society of Cardiology, il est expliqué que cette IA a été créée en analysant 85 variables différentes pour 950 patients avec des douleurs de la poitrine, dont les résultats pour six ans sont connus.
Les algorithmes auraient appris comment ces données interagissent. Puis ceux-ci ont pu identifier les modèles qui permettent de corréler ces informations avec le risque de décès ou bien de crise cardiaque.
L’IA reconnaîtrait des corrélations qui ne sont pas identifiées par le cerveau humain
“Ces progrès vont bien au-delà de ce qui a été fait en médecine, où nous devons être prudents dans la façon dont nous évaluons les risques et les résultats. Nous avons les données, mais nous ne les utilisons pas pleinement”, explique Dr Luis Eduardo Juarez-Orozco (Turku PET Centre, Finlande), l’auteur de cette étude.
“Les humains ont beaucoup de difficulté à penser au-delà de trois dimensions (un cube) ou de quatre dimensions (un cube à travers le temps). Au moment où nous sautons dans la cinquième dimension, nous sommes perdus. Notre étude montre que les modèles à très haute dimension sont plus utiles que les modèles à une seule dimension pour prévoir les résultats chez les individus et que, pour cela, nous avons besoin d’un apprentissage automatique (ndlr, IA)”, ajoute-t-il.
Les prédictions de cette intelligence artificielle prennent la forme d’un score de risque individuel obtenu à partir du traitement des données.
📍 Pour ne manquer aucune actualité de Presse-citron, suivez-nous sur Google Actualités et WhatsApp.
– La précision (accuracy) ne donne que la probabilité de la somme des vrai positifs + vrai négatifs. Si un ensemble de donnée est constitué de 99 négatif et un positif, et qu’on prédit 100 négatif, (donc si on loupe ce qui est important ici, le cas positif), on aura une précisions de 99%. Donc pour les cas pour lesquels, comme en médecine, les classes ne sont pas équilibrés, l’accuracy n’est pas une bonne mesure.
– l’AUC permet de mieux appréhender l’évolution des faux positifs/faux négatifs, et dans le cas ici, c’est une mesure qui donne plus de sens aux données
– Les dimensions citées ici représentent simplement le nombre de variable utilisées pour émettre une prédiction. Une dimension 2 signifie qu’on calcule la prédiction basé sur 2 variables, et on peut effectivement le représenter sur un graphe en 2 dimension (un axe pour une variable, un autre axe pour l’autre variable). La majorité des algorithms de classification ensuite simplement calculent la distance entre un nouveau point qu’on veut classer par rapport aux autres points déjà classés, et classifient le nouveau point avec la classe des points de ‘training’ qui sont les plus proches de ce point.
D’autre part il ne faut pas confondre l'”accuracy” avec la “precision” !
Dans la source, ils parlent de 90% d’accuracy, qui est la somme des vrai positifs et vrai négatif divisé par le total, alors que “precision” est le nombre de vrai positif divisé par la some de vrai positif + faux positifs.
En gros, dans mon example de plus haut, 99 cas negatif, 1 positif, et on prédit 100 négatif,
– l’accuracy sera de 99 %
– la précision sera de 0/1+0 = 0 !