Guide IMDRF : Définitions pour les Intelligences Artificielles DM

Par Guillaume Promé
le 20 Mai. 2022 • Logiciel, Veille gratuite

Un nouveau guide de l’IMDRF vient d’être publié : “Dispositifs médicaux basés sur l’apprentissage automatique – un sous-ensemble des dispositifs médicaux basés sur l’intelligence artificielle : Termes clés et définitions”.

Il vise à définir les termes et concepts utiles pour réguler les intelligences artificielles médicales.

Documents cités

Le guide s’appuie sur les documents suivants, la zone géographique des auteurs est précisée, notez le monopole anglo-saxon :

Des définitions pour réguler les IA DM

l’IMDRF modifie les définitions de l’ISO IEC DIS 22989, notez qu’il est peu pratique d’avoir plusieurs définitions pour un même terme.

MLMD : Machine Learning Medical Device : DM basé sur l’apprentissage automatique

Apprentissage : Procédé destiné à établir ou à améliorer les paramètres d’un modèle d’apprentissage automatique, basé sur un algorithme d’apprentissage automatique, en utilisant des données d’apprentissage.

Biais : Différence systématique de traitement de certains objets, personnes ou groupes par rapport à d’autres.

Fiabilité : Propriété de la cohérence des résultats obtenus et des résultats attendus.

Ensemble de données d’apprentissage : Sous-ensemble d’échantillons de données d’entrée utilisés pour former un modèle d’apprentissage automatique

Apprentissage continu : apprentissage qui conduit à la modification d’un MLMD à chaque exposition aux données qui a lieu de manière continue pendant la phase d’exploitation du cycle de vie du MLMD.

Apprentissage par renforcement : Apprentissage automatique utilisant une fonction de récompense pour optimiser soit une fonction de politique, soit une fonction de valeur par interaction séquentielle avec un environnement

Apprentissage automatique supervisé : L’apprentissage automatique qui utilise des données étiquetées durant l’apprentissage.

Apprentissage automatique semi-supervisé : L’apprentissage automatique qui utilise à la fois des données étiquetées et non étiquetées durant l’apprentissage

Apprentissage automatique non supervisé : L’apprentissage automatique qui utilise des données non étiquetées pendant l’apprentissage.

Ensemble de données de test : Un sous-ensemble de données qui n’est jamais montré au MLMD pendant l’apprentissage, utilisé pour estimer la performance du modèle ML après apprentissage.

Le schéma ci-dessous reprend une partie des définitions pour les mettre en contexte :

définitions utiles pour les IA médicales

Discussions autour des IA DM

Le guide ouvre la discussion autour des notions suivantes :

• Changements apportés au MLMD : les changements peuvent affecter, le système d’algo, le modèle d’apprentissage, les paramètres du MLMD et/ou leurs pondérations. Les attributs suivants sont proposés pour caractériser un changement au MLMD :

  1. la cause, ex : utilisation de nouvelles données d’apprentissage
  2. l’effet, ex : modification de sécurité, amélioration des performances, changement de l’utilisation prévue
  3. le déclencheur, ex : retours terrains, nouvelles données disponibles…
  4. le domaine, ex : le champ du changement, attention il peut être homogène (affecte tous les MLMD en service) ou hétérogène (ex : le MLMD d’une clinique change du fait de données qui sont propres à l’établissement)
  5. le moment, ex : périodique, évènementiel
  6. l’exécution : interne (le MLMD se modifie tout seul) ou externe (nécessite l’intervention d’une personne)

• Changements dans l’environnement du MLMD : lorsque l’environnement d’utilisation évolue par rapport à l’environnement d’apprentissage. Les attributs suivants sont proposés pour caractériser un changement dans l’environnement du MLMD :

  1. cause, ex : nouvelles données relatives à des nouveaux profils patients, évolution des pratiques cliniques
  2. l’effet : impact sur la sécurité et/ou les performances
  3. le domaine (le champ)

• Différences entre Apprentissage supervisé / non supervisé / semi-supervisé.

• Problème du flou artistique autour du concept de validation (ex : différence entre “valider des données” et “valider une fonctionnalité”)

Articles Connexes

Source : IMDRF