Page 80 - C:\Users\lpnan\Documents\Flip PDF\revue ODF 1 2021\

J.-M. Foucart, L. Gillibert, A. Chavanne, X. Ripoche

couche, appelée « input layer », vont lire titudes épistémiques, liées à la qualité
les données brutes, et les traduire en un même du modèle, et les incertitudes aléa-
nombre compris entre 0 et 1 (par exemple, toires, associées à la qualité des données.
de 0 pour le pixel noir d’une image à 1
pour un pixel blanc). Cette information,
appelée « activation » va être transmise L’INTELLIGENCE ARTIFICIELLE
à des neurones intermédiaires qui appar- EN IMAGERIE MÉDICALE
“En médecine bucco- tiennent aux couches suivantes appelées ET BUCCO-DENTAIRE
dentaire, les études « hidden layers ». Tous les neurones de
se focalisent sur la deuxième couche reçoivent ainsi ces
cinq principales premières « activations » pondérées par un Les images étant assez facilement tradui-
applications à partir facteur w qui peut être positif ou négatif. sibles en langage informatique, l’imagerie
de l’imagerie Chaque neurone de la deuxième couche médicale est considérée, depuis plusieurs
radiologique : réalise alors une sommation de toutes ces années, comme la porte d’entrée de l’IA
la détection des caries, informations et peut « décider » de s’ac- vers la médecine.
la détection des tiver selon une fonction mathématique Ainsi, en médecine, l’IA a démontré son
[7]
fractures dentaires, individuelle déterminée s, à partir d’un utilité pour la détection des fractures , des
la détection des certain seuil individuel b appelé « biais » calcifications artérielles [35] , des tumeurs de
[6]
pathologies kystiques et émettre ainsi une nouvelle valeur d’ac- la peau des pathologies ophtalmiques [10]
l’analyse des structures tivation, à nouveau comprise entre 0 et 1, ou la conception des médicaments [50] .
parodontales et à destination de tous les neurones de la En médecine bucco-dentaire, ainsi que le
l’optimisation couche suivante. montre le tableau 1, les études se foca-
de la qualité image. lisent sur cinq principales applications à
Chacun des neurones suivants va ensuite partir de l’imagerie radiologique : la détec-
réagir de la même manière, avec une tion des caries [16,20] , la détection des
fonction d’activation et un biais qui lui fractures dentaires [1,13] , la détection des
est propre. In fine, les neurones de la pathologies kystiques [1,2,19,33,34,47] , l’ana-
dernière couche, appelée « Output layer » lyse des structures parodontales [21,23,4] et
vont proposer une solution pour résoudre l’optimisation de la qualité image [29] .
le problème. Pendant la phase d’appren-
tissage, le résultat proposé est comparé Si la majorité des algorithmes, qui utilisent
avec le résultat attendu et l’ensemble des principalement les réseaux de neurones à
différences est analysé via une « fonction convolution (CNN) [36] , révèle une perfor-
de coût », qui modélise l’erreur et qui va mance clinique jugée suffisante par la
permettre de corriger progressivement, plupart des auteurs, il existe encore une
par multiplication des expériences, les marge d’amélioration liée aux différents
facteurs de pondération et les biais de biais qui peuvent être relevés par l’ana-
chaque neurone par retour (descente de lyse ces études : faiblesse de l’échantillon
gradient ou « feedback »). De plus, dans pour l’apprentissage, manque d’hétérogé-
les réseaux de neurones dits « bayé- néité des données, sélection de données
siens », le système prend également, biaisées ou nécessité d’une segmentation
en compte les distributions des probabi- manuelle des images.
lités ; c’est-à-dire qu’il incorpore la notion Par ailleurs, ces différents programmes
d’incertitude. Schématiquement, celle-ci nécessiteraient d’être fusionnés dans une
[11]
appartient à deux catégories : les incer- seule interface .

80 RODF 2021;55(1):73-87

21/01/2021 16:19
RODF-2021-1.indb 80 21/01/2021 16:19
RODF-2021-1.indb 80