Les machines peuvent être entraînées pour classer les images et ainsi identifier les tumeurs en tomodensitométrie, compositions minérales dans les roches, ou des pathologies dans les analyses en microscopie optique. Cette technique d'intelligence artificielle est connue sous le nom de machine learning et a gagné de nouvelles applications ces dernières années.

La formation à la machine est réalisée via la répétition d'images utilisées comme exemples d'un contexte ou d'une situation particulière et la préparation adéquate de ce matériel nécessite l'effort d'experts de divers domaines.

"L'humain coordonne [la formation]—sans qu'un spécialiste contrôle le processus de formation, la machine apprendrait à prendre des décisions basées sur des caractéristiques de l'image qui ne sont pas liées au problème cible. Cela génère un résultat médiocre ou limité à la base de données dans laquelle la machine a été entraînée. Lorsque la base de données change, les erreurs augmentent considérablement, rendant l'analyse de la machine peu fiable, " a déclaré Alexandre Xavier Falcão, de l'Institut d'informatique de l'Université de Campinas (UNICAMP), dans une conférence donnée à la FAPESP Week France.

Falcão a combiné l'informatique et d'autres domaines de connaissances basés sur des projets d'apprentissage automatique dans une ligne de recherche qui étudie l'interaction homme-machine dans la prise de décision.

Automatisation de la détection des parasites

L'un des projets mené par Falcão et présenté à la FAPESP Week France vise à automatiser la détection des parasites dans les analyses de selles. La recherche a été menée via un partenariat entre Immunocamp (société de Campinas spécialisée dans les produits hospitaliers) et des chercheurs des Instituts d'Informatique et de Chimie de l'UNICAMP, ainsi que l'École des sciences médicales de la même université.

L'équipe interdisciplinaire a développé une machine capable d'identifier les 15 espèces de parasites les plus répandues qui infectent les humains au Brésil.

La technique d'apprentissage automatique a montré plus de 90 % d'efficacité, ce qui est bien supérieur aux analyses classiques réalisées par l'homme par analyse visuelle de lames de microscopie optique, dont les taux varient de 48% à 76% au maximum. La machine est également capable de traiter 2, 000 images en quatre minutes.

"L'idée n'est pas de se substituer au travail des humains, notamment parce qu'ils doivent former les machines pour identifier plus d'espèces de parasites et confirmer le diagnostic des agents pathogènes détectés par la machine, mais plutôt pour éviter la fatigue humaine et augmenter la précision des résultats, " il a dit.

Une des innovations créées par l'équipe d'UNICAMP était un système de séparation des parasites et des impuretés basé sur le principe de la flottation à air dissous, qui permet de générer des lames de microscopie optique avec moins d'impuretés.

Dans la partie science des données, la machine est capable d'effectuer un balayage automatisé de la lame et de détecter les parasites qui apparaissent dans les images sur l'écran de l'ordinateur. Cela a été possible en utilisant des techniques informatiques qui séparent les composants de l'image pour vérifier et décider s'ils sont liés soit à des impuretés, soit à l'une des 15 espèces parasites.

« L'interaction homme-machine a le potentiel de réduire l'effort humain et d'augmenter la confiance dans la décision algorithmique. Notre approche a montré que l'inclusion du spécialiste dans le cycle de formation génère des systèmes décisionnels fiables basés sur l'analyse d'images.

Des systèmes décisionnels fiables

L'objectif de la méthodologie est de minimiser l'effort du spécialiste en matière d'observation d'images à grande échelle, cherchant la construction de systèmes de prise de décision très précis.

"L'approche classique, qui utilise des exemples préenregistrés et aucune interaction humaine pendant la formation, laisse diverses questions sans réponse. Ce sont des questions essentielles, comme le nombre d'exemples nécessaires pour que les machines apprennent ou comment expliquer les décisions prises par la machine. Notre méthodologie consiste à inclure le spécialiste dans le cycle de machine learning afin que de telles questions soient répondues, " il a dit.

Par conséquent, la stratégie utilisée par l'équipe de Falcão pour construire des systèmes décisionnels fiables a été d'explorer des capacités complémentaires. "Les humains sont supérieurs dans l'abstraction des connaissances. Les machines ne se lassent pas et sont plus aptes à traiter de grandes quantités de données. Alors, l'effort du spécialiste est minimisé en maîtrisant le cycle d'apprentissage et les décisions des machines deviennent explicables, " il a dit.