Pourquoi la qualité des images est-elle essentielle pour l’IA en dermatologie ?

Pour comprendre l’importance de la qualité d’une image, il faut d’abord comprendre simplement comment apprend une intelligence artificielle. Lors de son entraînement, on lui présente un grand nombre d’images accompagnées des informations que l’on souhaite faire apprendre : par exemple, la présence ou non d’une pathologie. À partir de ces exemples, l’algorithme cherche progressivement à construire une « fonction » lui permettant de reconnaître les caractéristiques associées à chaque situation. Mais contrairement à un médecin, il ne sait pas naturellement quelles informations de l’image sont importantes : il apprend à partir de tout ce qu’on lui montre.

La diversité des images est donc nécessaire. Une IA destinée à être utilisée en pratique doit apprendre à reconnaître des lésions différentes, sur des patients différents et dans des situations variées. Mais toutes les variations ne sont pas utiles. Une différence liée à la pathologie apporte une information pertinente à apprendre ; une différence provoquée par un éclairage inhabituel, une mauvaise balance des couleurs, un angle d’image trop différent, une saturation ou un artefact ajoute au contraire une difficulté technique. Plus ces variations parasites sont nombreuses, plus la « fonction » que l’IA doit apprendre devient complexe.

Cette difficulté peut aller plus loin. Une IA peut parfois apprendre à utiliser un mauvais signal. Imaginons, par exemple, qu’un artefact soit présent par hasard sur de nombreuses images de mélanomes dans une base d’entraînement. L’algorithme pourrait associer cet artefact à la présence d’un mélanome, alors qu’il n’a évidemment aucune signification médicale. L’IA peut alors donner la bonne réponse pour une mauvaise raison. Maîtriser la qualité des images permet de limiter ce type de raccourcis et d’aider l’algorithme à se concentrer sur les caractéristiques réellement pertinentes.

La qualité reste tout aussi importante une fois l’algorithme entraîné. Si une IA a appris à partir d’images acquises dans certaines conditions, puis reçoit une image très différente (surexposée, mal équilibrée ou comportant un artefact important), alors sa prédiction peut devenir moins fiable. L’enjeu n’est donc pas uniquement de disposer de belles images : il faut surtout obtenir des images suffisamment cohérentes entre l’apprentissage et l’utilisation réelle de l’algorithme.

C’est pourquoi la standardisation de l’acquisition constitue un enjeu important pour le développement de l’IA en dermatologie. Contrôler autant que possible l’éclairage, les couleurs, l’exposition ou encore les conditions de prise de vue permet de réduire les variations inutiles dès leur origine. L’objectif n’est pas de supprimer la diversité du réel, indispensable à la création d’algorithmes robustes, mais de mieux distinguer la variabilité biologique, que l’IA doit apprendre à interpréter, de la variabilité technique, qu’il est souvent préférable de maîtriser.

L’enjeu est finalement simple : faire en sorte que les variations les plus importantes dans l’image restent celles qui ont une véritable signification biologique, et non celles introduites par les conditions d’acquisition.