Utilisation de l’apprentissage automatique transparent et des perspectives explicatives pour autonomiser l’intelligence artificielle explicable dans le pronostic des gliomes

Contexte académique

Cette étude vise à développer une technique fiable pour détecter si des patients souffrent d’un type spécifique de tumeur cérébrale — gliome — en utilisant diverses méthodes d’apprentissage automatique et d’apprentissage profond combinées à la technologie d’intelligence artificielle explicable (XAI, Explainable Artificial Intelligence). Le gliome est un type de cancer du système nerveux central qui provient des cellules gliales, caractérisé par une croissance rapide et l’invasion des tissus cérébraux sains. Les traitements courants incluent la chirurgie, la radiothérapie, la chimiothérapie, etc. En intégrant les données des patients, y compris les dossiers médicaux, les archives génétiques, etc., les algorithmes d’apprentissage automatique peuvent prédire la réaction individuelle à différentes interventions médicales.

Source de l’article

Cet article a été rédigé par Anisha Palkar, Cifha Crecil Dias (membre senior de l’IEEE), Krishnaraj Chadaga et Niranjana Sampathila (membre senior de l’IEEE), issus des départements de génie biomédical et d’informatique de l’Institut de Technologie de Manipal en Inde. Cet article de recherche a été publié le 26 février 2024, et la version actuelle porte la date du 4 mars 2024. Les auteurs correspondants sont Cifha Crecil Dias et Niranjana Sampathila.

Détails de l’étude

L’étude inclut une série de phases complexes, utilisant d’abord des méthodes d’apprentissage automatique telles que Random Forest, arbre de décision, régression logistique, K-Nearest Neighbors, AdaBoost, machine à vecteurs de support, CatBoost, LGBM classifiers, et XGBoost, ainsi que des méthodes d’apprentissage profond comme les réseaux de neurones artificiels et les réseaux neuronaux convolutifs. De plus, l’étude a appliqué quatre stratégies XAI différentes, incluant SHAP, ELI5, LIME et QLattice, pour comprendre les résultats prédictifs des modèles.

L’étude s’est concentrée sur la manière dont les technologies XAI spécifiques ont été utilisées pour comprendre comment les modèles tirent leurs conclusions, afin d’aider les professionnels de la santé à personnaliser les plans de traitement et à améliorer le pronostic des patients. Les technologies XAI peuvent fournir aux médecins et aux patients la justification des suggestions de diagnostic et de traitement assistées par IA.

Résultats et conclusion

Les principaux résultats de l’étude montrent que le modèle XGBoost a atteint respectivement 88%, 82%, 94%, 88% et 92% en termes de précision, exactitude, rappel, score F1 et AUC. Les meilleures caractéristiques déterminées par les technologies XAI incluent IDH1, l’âge au moment du diagnostic, PIK3CA, ATRX, PTEN, CIC, EGFR et TP53. En utilisant des techniques d’analyse des données, l’objectif est de fournir aux professionnels de la santé des outils pratiques pour renforcer leur capacité de prise de décision, optimiser la gestion des ressources et, au final, améliorer les standards de soins aux patients.

En outre, l’étude a mis en lumière la valeur des méthodes d’apprentissage automatique, en présentant la signification du problème résolu, la nouveauté de la méthode ou du flux de travail et la spécificité de l’objet d’étude. L’introduction de l’intelligence artificielle explicable a non seulement amélioré la transparence et la confiance dans l’IA dans le domaine médical, mais elle a également étendu la profondeur et l’étendue de l’application de l’IA dans ce domaine de recherche.

Perspectives futures et limitations

Bien que cette étude ait fait des progrès significatifs dans les modèles prédictifs médicaux, il reste nécessaire de procéder à des tests et des validations à grande échelle dans des environnements cliniques réels. Les travaux futurs porteront sur l’élargissement des ensembles de données à travers des collaborations internationales et sur l’utilisation des algorithmes d’apprentissage profond les plus récents pour continuer à améliorer la précision et la pertinence des modèles. Les facteurs limitatifs à prendre en compte incluent la garantie de l’éthique de l’étude, la protection de la vie privée des patients et la conformité aux régulations.