Intelligence Artificielle Holistique en Médecine ; Amélioration des Performances et de l'Explicabilité

Avec l'intérêt croissant pour le déploiement de l'Intelligence Artificielle (IA) dans le domaine médical, nous avons précédemment présenté HAIM (Holistic AI in Medicine), un cadre qui fusionne des données multimodales pour résoudre des tâches cliniques en aval. Cependant, HAIM utilise les données de manière agnostique par rapport à la tâche et manque d'explicabilité. Pour remédier à ces limitations, nous introduisons xHAIM (Explainable HAIM), un nouveau cadre qui exploite l'IA générative afin d'améliorer à la fois les prédictions et l'explicabilité grâce à quatre étapes structurées : (1) identification automatique des données pertinentes du patient à travers différentes modalités, (2) génération de résumés complets du patient, (3) utilisation de ces résumés pour améliorer la modélisation prédictive, et (4) fourniture d'explications cliniques en reliant les prédictions aux connaissances médicales spécifiques au patient. Évalué sur le jeu de données HAIM-MIMIC-MM, xHAIM améliore la moyenne de l'AUC (Area Under the Curve) de 79,9 % à 90,3 % pour les pathologies thoraciques et les tâches opératoires. De manière importante, xHAIM transforme l'IA d'un prédicteur opaque en un système de soutien décisionnel explicatif, permettant aux cliniciens d'interagir avec les prédictions et de remonter jusqu'aux données pertinentes du patient, ainsi que de relier les progrès de l'IA à l'utilité clinique.