Amélioration de la précision du diagnostic par intelligence artificielle/apprentissage automatique

Les applications d’intelligence artificielle et d’apprentissage automatique les plus courantes en ophtalmologie comprennent l’identification des anomalies de la structure anatomique à partir d’images rétiniennes pour faciliter la classification des maladies. Cependant, une préoccupation importante réside dans le fait de ne pas tenir compte des composants essentiels d’une conception d’étude et d’une collecte de données appropriées, ce qui rend les résultats invalides en raison d’un biais confondant : l’association n’implique pas de causalité. Par conséquent, un changement de paradigme significatif de l’intelligence artificielle associative à l’intelligence artificielle causale et à l’utilisation d’approches d’apprentissage automatique est nécessaire. Nous concentrerons nos efforts sur la théorisation et l’examen de la prévalence des facteurs concomitants qui nous permettraient de caractériser plus exhaustivement les conditions et l’architecture qui sous-tendent les associations spécifiques de facteurs de risque. Par conséquent, il est important de développer des modèles d’intelligence artificielle et d’apprentissage automatique qui peuvent fournir de nouvelles informations sur les interactions complexes, les non-linéarités et l’importance des tendances dans les variables explicatives.