Le rôle crucial de l'annotation des données dans le projet iToBoS

L'intelligence artificielle (IA) est actuellement à son apogée. Et nous savons que ses applications dans le domaine de la santé sont nombreuses. Mais lorsqu'il s'agit d'étiqueter des données de santé, la précision est nécessaire. C'est en fait le cas dans des projets comme iToBoS, où la technologie de l'IA, avec un mélange de technologie et de techniques humaines dans la boucle, est utilisée pour détecter avec précision le mélanome. Cet article se penche sur le processus d'annotation d'isahit et le flux de travail que nous avons appliqué à iToBoS, en soulignant notre rôle essentiel en tant que société de services d'étiquetage de données, dans la production d'annotations de qualité et dans l'obtention de résultats fructueux.

Introduction au processus d'annotation d'isahit appliqué aux itobos

L'annotation des données est la clé de l'entraînement des modèles d'IA, en particulier pour les tâches complexes telles que l'identification du mélanome à partir de photographies et d'images de la peau. Dans le cadre du projet iToBoS sur lequel nous travaillons à isahit, le processus d'annotation est adapté pour améliorer l'efficacité et la précision de la détection des mélanomes grâce à plusieurs stratégies clés :

• Attribution d'une couleur spécifique aux lésions : Les annotateurs attribuent une couleur distincte aux lésions, ce qui facilite l'identification et la catégorisation au cours du processus de formation de l'IA.
• Annotation des lésions en fonction de leur taille : Seules les lésions dépassant un seuil de taille prédéterminé sont annotées. Cette approche ciblée garantit que les annotateurs se concentrent uniquement sur les lésions importantes, réduisant ainsi la charge de travail d'annotation inutile tout en maintenant la précision.
• Attribution du degré de dommages causés par le soleil : En outre, les niveaux de dommages causés par le soleil sont attribués manuellement par l'annotation de l'image. Cet étiquetage granulaire au niveau de chaque carreau garantit un enrichissement complet des données, permettant au modèle d'IA de discerner des caractéristiques nuancées cruciales pour un diagnostic précis.

Ces techniques d'annotation d'images et ces étapes du flux de travail permettent non seulement de rationaliser le processus d'annotation, mais aussi de contribuer à l'entraînement précis des modèles d'IA pour une détection efficace des mélanomes.

Responsabilités de l'annotateur et flux de travail

La communication collaborative entre les annotateurs, les réviseurs et la supervision assurée par l'équipe Customer Success Management (CSM) située à Paris est au cœur de la réussite du flux de travail d'annotation dans le cadre du projet iToBoS. L'utilisation d'une approche multi-équipes garantit des annotations précises et cohérentes, qui sont cruciales pour entraîner efficacement les modèles d'IA dans la détection des mélanomes.

• Les annotateurs sont "recrutés" sur la base de leurs compétences acquises grâce à l'académie numérique fournie par isahit, en plus d'une formation à l'outil V7 et d'une formation spécifique au projet iToBoS. Cela permet de s'assurer de leur capacité à annoter avec précision les caractéristiques des images liées au mélanome.
• Les réviseurs, expérimentés dans les tâches d'annotation d'images, travaillent aux côtés des annotateurs pour améliorer la qualité de leurs annotations. Leurs commentaires méticuleux et précis garantissent des normes élevées tout au long du processus d'annotation.
• L'équipe CSM (une équipe d'ingénieurs située à Paris), dirigée par un chef de projet, supervise l'ensemble du flux de travail, en veillant à l'alignement sur les objectifs du projet. En outre, une personne responsable de la gestion du site annotateurs, un ancien annotateur, fournit des informations et un soutien précieux, améliorant ainsi l'efficacité du processus.

Mécanismes de contrôle de la qualité et de retour d'information

Le maintien de la précision des annotations nécessite des vérifications régulières et des boucles de rétroaction. Un chat ouvert permet aux annotateurs, aux réviseurs et aux chefs de projet d'échanger leurs points de vue et de relever les défis. Des réunions hebdomadaires avec les clients et les professionnels de la santé permettent de s'assurer que les données annotées répondent à des exigences spécifiques. Les cliniciens du consortium examinent les données après leur annotation pour s'assurer de leur exactitude et de leur pertinence.

Cette approche collaborative garantit des données annotées de haute qualité pour une formation efficace des modèles d'IA liés à la détection du mélanome.

CONCLUSION

En conclusion, le processus méticuleux d'annotation des images structuré sur le projet iToBoS, facilité par l'expertise d'isahit et le flux de travail collaboratif fourni par l'outil d'étiquetage V7, souligne le rôle critique de l'annotation des données dans l'entraînement des modèles d'IA pour la détection du mélanome. En s'appuyant sur une formation spécialisée, des mesures rigoureuses de contrôle de la qualité et des retours d'information proactifs, isahit et iToBoS font progresser les frontières du diagnostic et du traitement médical.

‍