Séminaire : L’équité de l’apprentissage automatique dans l’analyse d’images médicales ; Enzo FERRANTE

Les institutions médicales du monde entier adoptent des systèmes d’apprentissage machine (ML) pour aider à analyser les données de santé.

La communauté de recherche sur l’équité dans l’apprentissage automatique a montré que ces systèmes peuvent être biaisés, ce qui entraîne des performances disparates pour des groupes spécifiques et  que ces systèmes peuvent être biaisés, entraînant des performances disparates pour des
sous-populations.

Dans cet exposé, nous discuterons de la relation entre les biais, la ML et les systèmes de santé.
entre les biais, la ML et les systèmes de santé, en abordant le cas spécifique des
dans les classificateurs de rayons X [1] pour le diagnostic assisté par ordinateur [2].

[1] : Le déséquilibre entre les sexes dans les ensembles de données d’imagerie médicale produit des classificateurs biaisés pour le diagnostic assisté par ordinateur

[2].biaisés pour le diagnostic assisté par ordinateur
A Larrazabal, N Nieto, V Peterson, D Milone et E Ferrante
Actes de l’Académie nationale des sciences (PNAS)
[2] : L’équité dans l’intelligence artificielle pour l’imagerie médicale
Ricci Lara MA, Echeveste E, Ferrante E
Nature Communications, 2022