IA neuro-symbolique pour l'extraction d'informations cognitives auditable à partir de rapports médicaux

CONTEXTE : Les grands modèles de langage (LLMs), tels que GPT-4, peuvent interpréter du texte libre, mais des réponses peu fiables, un raisonnement opaque et des risques pour la vie privée limitent leur utilisation dans le domaine de la santé. En revanche, l'intelligence artificielle (IA) basée sur des règles fournit des résultats transparents et reproductibles, mais a du mal avec le texte libre. Nous avons cherché à combiner les forces des deux approches pour tester si un tel système hybride peut extraire de manière autonome et fiable des données cliniques à partir de rapports d'imagerie diagnostique. MÉTHODES : Nous avons développé une IA neuro-symbolique qui connecte GPT-4 à un système expert basé sur des règles via une plateforme d'intégration sémantique. GPT-4 a extrait des faits candidats à partir de rapports en texte libre, tandis que le système expert les a vérifiés contre des règles médicales, produisant des étiquettes traçables et déterministes. Nous avons évalué le système sur 206 rapports consécutifs de scans PET/CT pour le cancer de la prostate, nécessitant l'extraction de 26 paramètres cliniques par rapport, générant 5356 points de données, et répondant à trois questions d'étude : inclusion dans l'étude, identification des cancers récidivants et récupération du niveau de l'antigène spécifique de la prostate (PSA). Les résultats ont été comparés aux références dérivées des médecins, et les divergences ont été examinées par un arbitre aveugle. RÉSULTATS : Nous montrons ici que l'IA neuro-symbolique surpasse GPT-4 seul et égalise les médecins dans la structuration et l'analyse des rapports. GPT-4 seul atteint des scores F1 de 0,63 pour l'inclusion dans l'étude et de 0,95 pour la détection des récidives, avec 96,6 % de valeurs PSA correctes. Les médecins obtiennent des scores F1 de 1,00 et 0,99, avec 98,1 % de précision PSA. L'IA neuro-symbolique obtient deux fois 1,00 avec 100 % de précision PSA et fournit toujours une chaîne de raisonnement auditable. Elle intercepte deux rapports intentionnellement introduits avec des identifiants résiduels, prévenant le transfert non intentionnel de données sensibles. CONCLUSIONS : Contrairement aux LLM autonomes, l'IA neuro-symbolique peut automatiser en toute sécurité l'extraction de données pour la recherche clinique et pourrait fournir un chemin vers une IA fiable dans la pratique de la santé.