La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Une avancée majeure dans l'imagerie médicale
Une équipe de recherche internationale, comprenant des membres de l'Université de Toronto, de l'Institut Vector et de l'Université de Chicago, a développé un modèle d'intelligence artificielle novateur nommé EchoJEPA. Ce modèle repose sur l'architecture JEPA, proposée par Yann LeCun et son équipe durant son passage chez Meta. EchoJEPA se distingue par sa capacité à surpasser les méthodes traditionnelles telles que les Masked Autoencoders et l'apprentissage contrastif dans l'analyse des échographies cardiaques.
Contrairement aux approches courantes qui se concentrent sur la reconstruction de pixels masqués ou l'appariement image-texte, l'architecture JEPA prédit une représentation abstraite des zones masquées. Cela signifie que le modèle se focalise sur le sens des images plutôt que sur leur apparence exacte. Grâce à cette approche, EchoJEPA a été entraîné sur un vaste ensemble de 18 millions de vidéos d'échographie provenant de 300 000 patients, ce qui lui permet de traiter efficacement les images médicales souvent bruyantes.
Des performances impressionnantes
Les images échographiques sont souvent encombrées de bruit, comme les motifs de speckle et les ombres, qui compliquent l'analyse de l'anatomie cardiaque. Cependant, JEPA contourne ces obstacles en se concentrant sur des structures stables telles que les cavités cardiaques. Lors d'une comparaison méthodique, EchoJEPA a surpassé un modèle de reconstruction de pixels de 27 % dans l'estimation de la fonction de pompage cardiaque.
Pour la classification des vues échographiques, EchoJEPA a atteint une précision de 79 % avec seulement 1 % de données étiquetées, tandis que les méthodes concurrentes plafonnaient à 42 % avec l'ensemble complet de données étiquetées. Même sous des corruptions d'image simulées, EchoJEPA a montré une robustesse remarquable, avec une dégradation de performance limitée à 2,3 %, contre 16,8 % pour les autres modèles.
Sans aucune formation spécifique sur les cœurs pédiatriques, le modèle a également surpassé toutes les références qui avaient été explicitement ajustées pour cette tâche, démontrant ainsi sa polyvalence et son efficacité.
Des résultats prometteurs, mais à confirmer
Bien que les résultats soient prometteurs, ils proviennent des benchmarks internes des chercheurs. Le modèle le plus performant a été entraîné sur des données propriétaires et n'est pas disponible publiquement. Seule une variante plus petite, entraînée sur des données publiques, a été publiée. Les tests ont été réalisés avec des corruptions synthétiques plutôt que dans des conditions cliniques réelles, ce qui laisse la validation de ces performances dans des environnements pratiques encore à démontrer.
L'étude représente néanmoins un test à grande échelle de l'architecture JEPA en dehors des laboratoires de Meta. Yann LeCun, bien que non impliqué dans EchoJEPA, continue d'explorer les potentialités de JEPA à travers sa startup AMI Labs, qui a récemment levé près d'un milliard de dollars, marquant un intérêt croissant pour cette technologie. L'architecture JEPA pourrait ainsi ouvrir la voie à de nouvelles applications dans d'autres domaines de l'intelligence artificielle, bien que son efficacité doive encore être confirmée au-delà des échographies cardiaques, qui présentent un niveau de bruit particulièrement élevé.
