Giulia-Maria Mattia, Intelligence Artificielle et Maladies Neurologiques : à la découverte des réseaux de neurones convolutifs
Résumé : Les dernières avancées de l’intelligence artificielle (IA) permettent d’obtenir des résultats exceptionnels dans l’analyse d’images médicales pour l’aide au diagnostic de maladies neurologiques. Parmi ces outils puissants, les réseaux de neurones convolutifs (CNN) sont capables d’extraire de manière complètement automatique les motifs caractéristiques à partir d’images multidimensionnelles, issues par exemple de l’imagerie par résonance magnétique (IRM). Les motifs extraits sont ensuite utilisés avec l’objectif de discriminer les sujets sains et malades à l’aide d’un réseau de neurones artificiels. La discrimination faite par les CNN étant difficile à comprendre et malgré leur forte capacité discriminatoire, les CNN sont parfois considérés comme des « boîtes noires ». Mes travaux de recherche visent à éclairer ces processus, en s’appuyant, par exemple, sur la source primaire de connaissance pour les CNN : les données d’apprentissage. La modification de données IRM du cerveau a permis d’analyser comment la capacité discriminatoire varie selon les différentes caractéristiques des données d’apprentissage. Grâce à l’application de techniques qui révèlent les parties de l’image considérées par les CNN, il est devenu possible d’identifier une signature spatiale des maladies. La compréhension de décisions prises par les outils d’IA, comme les CNN, est ainsi essentielle dans le contexte clinique qui exige transparence et interprétabilité, pour en favoriser l’utilisation.