Dans cet article, nous discutons de l'importance de l'équité dans l'intelligence artificielle appliquée à l'imagerie médicale, des sources potentielles de biais et des stratégies pour les atténuer. Nous analysons également l'état actuel du domaine, identifiant les forces et soulignant les défis et opportunités à venir.
De nombreuses études ont montré que les systèmes d'IA peuvent être systématiquement et injustement biaisés envers certaines populations dans divers scénarios. Le domaine de l'imagerie médicale, où les systèmes d'IA commencent à être de plus en plus adoptés, ne fait pas exception. Il est donc essentiel de promouvoir l'équité dans l'imagerie médicale. Cependant, cela est loin d'être une tâche simple : assurer l'équité dans les déploiements de l'apprentissage automatique (ML) nécessite de s'attaquer à différents aspects tout au long du processus de conception, de développement et de mise en œuvre.
Récemment, la communauté de recherche sur l'équité en ML a souligné que les systèmes ML peuvent être biaisés envers certaines sous-populations, présentant des performances disparates pour différents sous-groupes définis par des attributs protégés tels que l'âge, la race/ethnicité, le sexe ou le genre, le statut socioéconomique, entre autres. Dans le domaine de la santé, le comportement potentiellement inégal des algorithmes envers différents sous-groupes de la population pourrait même être considéré comme allant à l'encontre des principes de la bioéthique : justice, autonomie, bienfaisance et non-malfaisance.
Dans ce commentaire, nous nous concentrons sur le sous-domaine de l'imagerie médicale. En effet, en ce qui concerne les biais dans les systèmes ML qui peuvent avantager certaines sous-populations au détriment d'autres, le domaine de l'imagerie médicale n'est pas une exception. Nous commenterons les travaux récents dans ce domaine et mettrons en évidence des domaines de recherche inexplorés, en discutant des défis potentiels et des stratégies disponibles. Qu'est-ce que cela signifie pour un algorithme d'être juste ? Prenons cette question dans le contexte des sous-groupes de patients définis par la couleur de peau ou la race/ethnicité, où plusieurs articles récents ont comparé les performances des systèmes d'imagerie médicale pour des pathologies ophthalmologiques, thoraciques et/ou cardiaques suspectées.
