Panier
Vous n'avez aucun article dans votre panier.
Par Frank Schadt, IMT Switzerland
Il existe un potentiel énorme pour les algorithmes d'IA dans la technologie médicale. Les données de traitement anonymes peuvent être condensées en recommandations thérapeutiques. Les diagnostics des dispositifs peuvent être améliorés et la durée de vie peut être augmentée. De plus, les tâches de contrôle et de régulation sont déjà partiellement prises en charge par des réseaux neuronaux, des arbres de décision et des méthodes similaires.
Cependant, la technologie médicale impose également de fortes exigences aux systèmes d'IA et d'apprentissage automatique. Des décisions incorrectes peuvent avoir des conséquences drastiques. Le comportement d'un réseau de neurones peut être plus difficile à prédire que celui d'un algorithme développé par des humains. Il y a un besoin urgent de directives réglementaires pour garantir la sécurité des systèmes d'IA dans la technologie médicale. Par conséquent, les employés de Swiss IMT Information Management Technology AG de Buchs travaillent depuis le début de l'année dans le comité de normalisation IEC PT63450 – "Dispositifs médicaux habilités par l'intelligence artificielle – Méthodes pour la vérification et la validation techniques".
La performance des processeurs des dispositifs embarqués dans les équipements médicaux est souvent de plusieurs ordres de grandeur inférieure à celle d'un PC multimédia ou d'une installation de production. Les processeurs typiques des systèmes embarqués ne sont donc souvent pas assez puissants pour gérer des tâches d'apprentissage complexes. Néanmoins, une grande partie des algorithmes d'IA populaires peut être facilement intégrée dans ces dispositifs, si le PC ou le serveur s'occupe de l'entraînement. Cela s'explique par le fait que, dans la plupart des cas, l'entraînement est beaucoup plus intensif en calcul que l'application subséquente (inférence).
Cela s'applique aux réseaux de neurones artificiels (RNA) ainsi qu'aux machines à vecteurs de support, aux arbres de décision et à bien d'autres. Les réseaux de Bayes sont un contre-exemple : ici, l'inférence est également intensive en calcul. Cela est dû au fait que les probabilités conditionnelles doivent être calculées par intégration numérique sur plusieurs variables.
