MVMAE réduit le nombre de labels nécessaires en radiologie

OOndine

Des chercheurs de l’ETH Zurich, de l’Université de Californie à Irvine et de l’Université de Zurich présentent MVMAE, une méthode qui apprend à analyser des radiographies avec moins d’annotations, selon AlphaSignal. Elle exploite les différentes projections d’un même examen comme des données associées : le modèle apprend à reconstruire les parties masquées des images et à rapprocher les représentations de ces différentes vues. Sur trois jeux de données, MIMIC-CXR, CheXpert et PadChest, les auteurs indiqueraient que MVMAE obtiendrait de meilleurs résultats en classification des maladies que les méthodes supervisées et les modèles de vision-langage comparés. Le chiffre marquant concerne le nombre de labels nécessaires : MVMAE atteint 80 % d’AUROC avec 5 000 labels, alors que la référence supervisée en demande 50 000 pour parvenir au même score. Cela représente 10 fois moins d’annotations pour atteindre ce niveau de performance dans la comparaison présentée par les chercheurs. Une variante, appelée MVMAE-V2T, ajoute des comptes rendus pendant le préentraînement ; mais, au moment de l’analyse, le modèle peut fonctionner avec l’image seule, sans le texte. L’article de recherche a été accepté à TMLR 2026 : les résultats suggèrent qu’exploiter plusieurs vues d’un même examen pourrait réduire le coût de l’annotation, sans supprimer le besoin d’évaluer la méthode sur les tâches et les données concernées.