Publié le 13 septembre 2021 Mis à jour le 13 septembre 2021

Un groupe international de scientifiques a élaboré un ensemble de lignes directrices visant à améliorer les normes de communication des méthodes d'IA visant à classer les données biomédicales. Parmi ces méthodes, on peut citer les prédicteurs d'apprentissage automatique qui tentent d'identifier, sur la base de données génétiques et autres, si une personne souffre d'une maladie rare ou les méthodes prédictives qui visent à identifier le médicament auquel un patient atteint de cancer réagirait le mieux.

Une équipe internationale de scientifiques (le groupe ELIXIR) a établi des lignes directrices visant à améliorer les normes de communication des méthodes d'Intelligence Artificielle visant à classer les données biomédicales. 

Tom Lenaerts actuel directeur d'IB², l'Institut interuniversitaire de bioinformatique de l'Université libre de Bruxelles et de la Vrije Universiteit Brussel fait parti de ce groupe de réflexion.

"La popularité de l'apprentissage automatique et de l'apprentissage profond donne aujourd'hui l'impression que de nouveaux outils d'IA peuvent être rapidement conçus sans trop réfléchir aux données et aux objectifs réels. Ce n'est pas le cas. L'imprécision est facilement atteinte lorsque l'on ne comprend pas parfaitement la nature des données et des caractéristiques utilisées dans une méthode prédictive. Dans les domaines médical et biologique, plus de la moitié du temps devrait être consacrée à la conception d'un ensemble de données de haute qualité et à la recherche du bon ensemble de caractéristiques pour entraîner la méthode," souligne Tom Lenaerts.

L'article publié dans Nature Methods fournit une liste de recommandations pour construire une méthode de classification supervisée pour les sciences biologiques et médicales. 

Contact
Communication Recherche : com.recherche@ulb.be