Des chercheurs de McMaster utilisent l'IA pour détecter les signes de commotions cérébrales des dizaines d'années après la blessure.

30 janvier 2020

Photo : Ben Hershey

Autrefois considérées comme une blessure de courte durée, les commotions cérébrales sont aujourd'hui considérées comme un problème de santé chronique. Elles peuvent laisser des séquelles durables sur les signaux électriques du cerveau, qui peuvent persister pendant des années après la commotion initiale. Pourtant, les médecins, qui se fient à leurs propres observations et aux témoignages anecdotiques des patients, sont généralement incapables de déterminer le degré de détérioration. 

Un nouvel article intitulé "From Group-Level Statistics to Single-Subject Prediction : Machine Learning Detection of Concussion in Retired Athletes", rédigé par une équipe de chercheurs de l'Université McMaster, dont Rober Boshra, Kiret Dhindsa et Omar Boursalie, membres affiliés de l'Institut Vector, John Connolly, Jim Reilly, Ranil Sonnadara, Thomas Doyle et Reza Samavi, membres affiliés de la faculté Vector, et Kyle Ruiter, collaborateur, offre la possibilité d'identifier ces effets même des décennies après une blessure, avec l'aide de l'apprentissage machine (ML).

L'article s'appuie sur une étude précédente réalisée par le groupe en collaboration avec le The Hamilton Spectator. Cette étude a démontré la persistance de déficits dans les réponses des signaux cérébraux au sein d'un groupe de joueurs retraités de la Ligue canadienne de football (LCF). En utilisant le même ensemble de données, l'équipe a mis au point un algorithme de ML capable de détecter les effets des commotions cérébrales chez les joueurs individuels (par opposition au groupe dans son ensemble) jusqu'à trois décennies après les faits. Le taux de précision de 81 % de la méthode dépasse tous les outils cliniques actuellement disponibles et pourrait aider les personnes qui ont été mal diagnostiquées ou qui n'étaient pas conscientes de la gravité de leur blessure.

De nombreux résultats de ML sont le produit d'une "boîte noire", ce qui signifie que les chercheurs sont incapables d'expliquer comment l'algorithme est parvenu à ses conclusions. Cependant, l'étude a également pu montrer non seulement si une personne avait subi une commotion cérébrale, mais aussi quelles réponses cérébrales spécifiques étaient à l'origine de la commotion. Cela a permis non seulement de valider l'application clinique de ML, mais aussi d'identifier un signe de commotion cérébrale qui n'avait jamais été documenté auparavant.

En rapport :

Des protocoles normalisés sont essentiels pour un déploiement responsable des modèles linguistiques

Les inconnues connues : Geoff Pleiss, chercheur chez Vector, se penche sur l'incertitude pour rendre les modèles de ML plus précis.

Un homme regarde un tableau blanc sur lequel sont inscrites des formules en rouge.
Perspectives
Une IA digne de confiance

Comment mettre en œuvre des systèmes d'IA en toute sécurité