Cet article propose un cadre, le CARE, pour guider le développement et l'évaluation de l'intelligence artificielle en radiologie, en mettant l'accent sur la pertinence clinique et l'impact réel sur les soins aux patients.

État actuel de l'IA en radiologie

• • La radiologie a été un précurseur dans l'adoption de l'IA, mais les outils développés n'ont pas toujours eu un impact clinique significatif.

• • * Les modèles d'IA, bien que techniquement performants, souffrent de problèmes de généralisation, d'évaluation insuffisante dans des conditions réelles, et d'une intégration limitée dans les flux de travail cliniques.

• • * Les modèles de langage de grande taille (LLMs) offrent des capacités multimodales prometteuses, mais il existe un risque de confondre démonstrations techniques impressionnantes avec des solutions cliniques significatives.

• • * Les défis incluent la nécessité d'une évaluation rigoureuse et d'une intégration dans les pratiques cliniques existantes.

Besoins en recherche

• • * La recherche en IA doit suivre une méthode scientifique rigoureuse, en se concentrant sur des questions cliniques pertinentes plutôt que sur des performances techniques isolées.

• • * Les études doivent être conçues pour répondre à des problèmes réels rencontrés par les cliniciens, en impliquant des radiologues dès le début du processus de développement.

• • * La culture de recherche actuelle, axée sur la compétition et les benchmarks, doit évoluer pour se concentrer sur l'amélioration des soins aux patients.

Définir le bon problème clinique

• • * Les projets d'IA en radiologie doivent commencer par une identification claire des problèmes cliniques, souvent négligée dans le processus de développement.

• • * L'engagement des parties prenantes, y compris des radiologues et des patients, est essentiel pour s'assurer que les problèmes identifiés sont pertinents et ancrés dans la réalité clinique.

• • * Une définition précise du problème doit tenir compte du contexte clinique et des besoins spécifiques des utilisateurs.

Science de l'implémentation

• • * L'implémentation des outils d'IA est souvent un point de défaillance, nécessitant une stratégie bien développée pour intégrer ces innovations dans les flux de travail cliniques.

• • * La science de l'implémentation souligne l'importance de l'adéquation contextuelle et de la collaboration entre les parties prenantes pour surmonter les obstacles à l'adoption.

• • * Un suivi continu et des audits de performance sont nécessaires pour garantir l'efficacité et la sécurité des outils déployés.

Bonnes pratiques en science de l'IA à l'ère des LLM

• • * La recherche doit être axée sur des questions significatives et conçue pour être applicable dans des contextes cliniques réels.

• • * Les modèles doivent être évalués non seulement sur leur précision, mais aussi sur leur capacité à améliorer les flux de travail cliniques et les soins aux patients.

• • * La transparence et la responsabilité sont cruciales, avec une documentation rigoureuse des données et des méthodes utilisées.
  •  

Cadre CARE

• • * Le cadre CARE (Pertinence clinique, Ajustement des tâches, Faisabilité de mise en œuvre, et Conception de l'évaluation) propose une approche structurée pour évaluer les projets d'IA en radiologie.

• • * Pertinence clinique : identifier un besoin clinique réel et persistant, en collaboration avec les parties prenantes.

• • * Ajustement des tâches : S'assurer que le besoin identifié correspond aux capacités des LLM, en évitant d'utiliser des modèles complexes pour des tâches simples.

• • * Faisabilité de mise en œuvre : évaluer comment le modèle s'intégrera dans les flux de travail existants, en tenant compte des contraintes techniques et organisationnelles.

• • * Conception de l'évaluation : documenter soigneusement les sources de données et les méthodes d'évaluation, en incluant des analyses de biais et des audits de performance.
    
    
    

 Le cadre CARE propose une méthode structurée pour évaluer les projets impliquant des grands modèles de langage (LLM) en radiologie. Il met l’accent sur les besoins et la pertinence cliniques, l’Adéquation de la tâche au langage et au contexte, la faisabilité de la mise en œuvre dans le monde réel, ainsi que la Conception de l’évaluation et la rigueur de la provenance. Les projets solides obtiennent de bons résultats dans ces quatre dimensions et ont davantage de chances de se traduire par un impact clinique concret.

 Appel à l'action pour le domaine

• • * La réussite de l'IA en radiologie dépendra de la capacité à poser les bonnes questions et à développer des solutions réellement utiles pour les cliniciens et les patients.

• • * Il est essentiel de se concentrer sur la pertinence, la rigueur et la responsabilité pour transformer les modèles d'IA prometteurs en outils cliniques impactants.

• • * L'innovation doit être accompagnée d'une science collaborative réfléchie pour garantir que les avancées technologiques profitent réellement aux soins de santé.
•  
• SYNTHÈSE / NOTEBOOKLM