Les auteurs expliquent que l'erreur due à un manque de connaissance se produit lorsque "la découverte est observée, mais attribuée à une cause erronée en raison d'un manque de connaissance de l'observateur ou de l'interprète". Ce type d'erreur est, selon eux, particulièrement pertinent en médecine vétérinaire, où la plupart des images radiographiques ne sont pas interprétées par un radiologue, mais par des vétérinaires généralistes. Cependant, ils déplorent que les systèmes actuels basés sur l'IA ne peuvent pas corréler les résultats des images avec une liste spécifique de diagnostics différentiels basés sur l'historique clinique et, par conséquent, jusqu'à présent, "l'IA a eu un impact limité sur la réduction de ce type d'erreur".

Une autre erreur similaire est celle de « surinterprétation » et mauvaise interprétation, où un résultat est perçu et interprété comme anormal, mais attribué à une cause incorrecte. Cette catégorie inclut les informations trompeuses et un diagnostic différentiel limité. Actuellement, les systèmes d'IA disponibles ne détectent que des résultats radiographiques spécifiques et ne sont pas capables de fournir des diagnostics différentiels basés sur les résultats cliniques. Cependant, ils indiquent que "des modèles de langage de grande taille capables d'interpréter les images et de générer une liste de diagnostics différentiels basée sur l'historique clinique seront bientôt disponibles, ce qui pourrait potentiellement réduire ce type d'erreur".

L'erreur de lecture insuffisante se produit lorsque "la lésion n'est pas détectée". À elle seule, "elle représente 42 % des erreurs de diagnostic totales". Par conséquent, ils indiquent que la sous-lecture est très probablement l'une des principales raisons pour lesquelles les systèmes d'IA doivent être intégrés dans la routine quotidienne. En effet, "la sous-lecture se présente comme un problème très courant qui peut découler de situations individuelles ou environnementales".

Le rôle de l'IA dans la réduction de ce type d'erreur est, potentiellement, "un changement de jeu", car les systèmes d'IA ne sont pas soumis à des biais cognitifs ou à des contextes environnementaux (surcharge de travail, environnement de travail difficile, distractions, etc.).

D'autre part, l'utilisateur final doit prendre en compte le fait que la précision du système d'IA est également affectée par plusieurs facteurs, tels que la qualité de l'image ou le taux de lésions dans la base de données. Enfin, "il convient de noter que la plupart des systèmes vétérinaires basés sur l'IA ont une précision variable signalée dans la détection de lésions spécifiques". Par exemple, ils exposent que la précision dans la détection d'épanchement pleural est généralement très élevée, tandis que la précision dans la détection de nodules ou de masses pulmonaires est significativement plus faible.

Un autre type de biais se produit lorsque "la découverte est négligée en raison d'un manque de consultation des études ou des rapports radiologiques antérieurs" ou "en raison de l'acquisition d'un historique clinique inexact ou incomplet". Ce sont là quelques-uns des types d'erreurs les plus courants, et le Collège américain de radiologie recommande que tous les rapports antérieurs des patients soient disponibles pour le radiologue lors de l'évaluation de l'examen. Ce type d'erreur est plus pertinent dans les services de télé-radiologie, car la plupart de ces services n'ont pas accès à l'historique complet du patient. Les produits basés sur l'IA qui guident les radiologues (tant en médecine humaine qu'en médecine vétérinaire) tout au long du processus de rapport (de l'acquisition des images au rapport final) "pourraient être importants pour réduire ces erreurs". Par exemple, l'utilisation du traitement de données pour résumer rapidement l'historique clinique du patient "pourrait fournir au radiologue des informations rapides et utiles".

Cependant, malgré toutes les applications potentielles, les chercheurs déplorent que l'IA reste une technologie très jeune en médecine vétérinaire et qu'en dépit du nombre croissant d'applications disponibles sur le marché, "elle est loin de faire partie de la routine clinique de la plupart des pratiques". C'est pourquoi la radiologie vétérinaire "est un domaine où les algorithmes d'IA pourraient contribuer à réduire les taux d'erreur d'interprétation des radiologues en examinant automatiquement la qualité des images de diagnostic avant l'interprétation, similaire à ce qui se passe déjà en médecine humaine".