L'IA au chevet du patient : cœur, parole imaginée et calibration du scanner

L'insuffisance cardiaque met les systèmes de soins à l'épreuve. Les patients sont plus âgés, souffrent de comorbidités et finissent souvent à l'hôpital. La surveillance à distance promet de repérer plus tôt une aggravation. Mais les données de télésurveillance sont rares, échantillonnées de façon irrégulière et dominées par les cas sans événement.

Détecter l'aggravation à partir des données de télésurveillance

Le modèle TRACER, un transformer à représentation contrastive des événements, a été conçu pour ces données. Il combine des plongements de biomarqueurs tenant compte du temps, un pré-entraînement contrastif qui renforce la détection d'anomalies et des classifieurs binaires indépendants pour chaque détection. Les auteurs ont travaillé sur des séquences de mesures à distance de 276 patients atteints d'insuffisance cardiaque. Ces séquences sont découpées en fenêtres qui se chevauchent selon des règles temporelles, et étiquetées d'après l'hospitalisation à la fin de la fenêtre. Le modèle a correctement prédit 66,7 pour cent des trajectoires menant à une hospitalisation pour insuffisance cardiaque, avec un taux de fausses alertes de 7,9 pour cent, dans un ensemble réel fortement déséquilibré. Reformuler l'entraînement en tâche de détection d'événements a amélioré les résultats par rapport à un apprentissage direct sur les fenêtres pronostiques : les rares événements sont mieux exploités. Les auteurs le soulignent : l'objectif est de générer des alertes permettant une intervention précoce, non de remplacer la décision clinique.

Parole imaginée et évaluation honnête

Le décodage de la parole imaginée à partir de l'électroencéphalographie est envisagé comme une voie de communication pour les personnes atteintes de troubles moteurs sévères. Le problème : les résultats rapportés reposent souvent sur des protocoles d'évaluation qui ne reflètent pas la généralisation à de nouvelles personnes. L'équipe danoise de Frederik Møllskov Trier a mené une étude de référence transparente sur un ensemble EEG multiclasse de parole imaginée, dans un schéma d'évaluation strictement indépendant de la personne.

Deux chaînes de traitement et d'extraction de caractéristiques ont été comparées : des caractéristiques statistiques dans le domaine temporel et la puissance dans les bandes spectrales. La seconde a obtenu une précision moyenne significativement plus élevée au niveau de l'essai, soit 49,03 plus ou moins 4,18 pour cent contre 37,97 plus ou moins 3,79 pour cent, en classification grossière entre personnes. La sélection de caractéristiques en avant a montré que l'essentiel de l'information discriminante provient d'un sous-ensemble limité de bandes. Les auteurs y voient une base solide pour la suite des travaux sur les interfaces cerveau-machine, pas un produit fini.

Calibrer quand le modèle est une boîte noire

Le troisième travail porte sur la sécurité des systèmes radiologiques. Pour que les décisions de triage, d'examens complémentaires ou de planification thérapeutique soient sûres, les probabilités renvoyées par le modèle doivent être calibrées, c'est-à-dire refléter le risque réel. Les techniques habituelles d'amélioration de la calibration, comme le dropout Monte Carlo ou les ensembles profonds, exigent l'accès aux paramètres du modèle ou un nouvel entraînement. Or les systèmes cliniques commerciaux sont des boîtes noires.

Le cadre proposé est indépendant du modèle. Il s'appuie sur une augmentation cliniquement justifiée de l'ensemble de test, en appliquant des perturbations géométriques et d'inspiration physique à la tomodensitométrie tridimensionnelle, et apprend une stratégie d'agrégation des probabilités sans accès à l'intérieur du modèle ni aux données d'entraînement. Sur les tâches de détection d'embolie pulmonaire et d'hémorragie intracérébrale, la variante DualTTA a atteint la meilleure calibration parmi les méthodes d'augmentation de l'ensemble de test. Elle réduit l'erreur de calibration attendue de 54 pour cent (de 0,239 à 0,109) et de 43 pour cent (de 0,051 à 0,029). Sur la plupart des métriques, elle devance les techniques exigeant un accès à l'intérieur du modèle, comme la mise à l'échelle par température, le dropout Monte Carlo et les ensembles profonds.

Les trois travaux dessinent ensemble une limite pratique : l'endroit où le modèle travaille sur des données réelles, rares et irrégulières, et l'endroit où la valeur ajoutée ne vient pas d'un nouveau modèle mais d'une évaluation honnête et de la calibration.