IA explicable et interprétable pour l'analyse de la voix et de la parole en soins cliniques : revue systématiqueExplainable and Interpretable AI for Voice and Speech Analysis in Clinical Care: Systematic Review.
- Les méthodes XAI utilisées dans l'analyse vocale clinique incluent des approches basées sur les gradients, les perturbations, les modèles de substitution, l'attention et l'analyse des représentations internes.
- La plupart des études se limitent à une validation qualitative des explications, sans évaluation quantitative sur des jeux de données externes.
- Aucune étude n'a réalisé d'évaluation avec les parties prenantes cliniques (médecins, patients), soulignant un décalage entre la recherche XAI et les besoins cliniques.
Revue systématique bien conduite, abordant un sujet émergent pertinent pour les cliniciens (IA explicable pour l'analyse vocale). Toutefois, les résultats montrent des lacunes importantes en validation et alignement clinique, ce qui limite l'impact immédiat. Note modérée à élevée car elle fournit une synthèse utile pour orienter les futures recherches et applications cliniques.
La sélection des études a été réalisée par un seul examinateur, ce qui introduit un risque de biais. Plusieurs études incluses présentent un risque de biais élevé selon l'outil PROBAST+AI. L'utilisation répétée de jeux de données de référence limite la généralisabilité des résultats à des contextes cliniques divers.
Cette revue systématique examine les méthodes d'intelligence artificielle explicable (XAI) appliquées aux modèles d'apprentissage profond pour l'analyse de la voix et de la parole en contexte clinique. Sur 30 études incluses, les approches XAI varient (gradients, perturbations, modèles de substitution, attention), mais la validation reste principalement qualitative, sans évaluation avec les parties prenantes cliniques. Les applications couvrent les troubles vocaux, maladies neurodégénératives, conditions psychiatriques et traumatismes crâniens. La revue souligne le besoin de méthodes XAI validées, spécifiques au domaine audio et centrées sur les parties prenantes pour un déploiement clinique fiable.
Les méthodes XAI utilisées dans l'analyse vocale clinique incluent des approches basées sur les gradients, les perturbations, les modèles de substitution, l'attention et l'analyse des représentations internes. La plupart des études se limitent à une validation qualitative des explications, sans évaluation quantitative sur des jeux de données externes. Aucune étude n'a réalisé d'évaluation avec les parties prenantes cliniques (médecins, patients), soulignant un décalage entre la recherche XAI et les besoins cliniques. Les domaines cliniques couverts incluent les troubles de la voix, les maladies neurodégénératives, les conditions psychiatriques et les lésions cérébrales traumatiques.
Les cliniciens doivent être conscients que les modèles d'IA vocale actuels manquent de validation robuste et d'alignement avec les besoins des utilisateurs finaux. L'intégration de l'IA explicable dans l'analyse vocale pourrait améliorer la confiance des cliniciens et faciliter l'adoption en pratique clinique, à condition que les explications soient cliniquement pertinentes. Les futures recherches devraient impliquer activement les cliniciens et les patients dans la conception et l'évaluation des systèmes XAI pour garantir leur utilité réelle.
Revue