Des logiciels experts en diagnostic medical
Imagerie cérébrale, aide à la décision clinique, dépistage de maladies oculaires… l’intelligence artificielle promet de bouleverser les tâches et les usages du diagnostic médical. Le point sur les progrès et les limites de ces nouvelles technologies appliquées à la santé.« La quasi-totalité des champs de l’intelligence artificielle dispose d’applications dans le domaine de la santé. » La conclusion du rapport Stratégie France IA(link is external) remis en mars 2017 au gouvernement est éloquente. La médecine semble être entrée dans l’ère des données et l’intelligence artificielle (IA) se placera à l’avenir comme un outil précieux, notamment pour l’aide au diagnostic.Watson, le programme développé par IBM, en est l’exemple le plus emblématique. Fondé sur le deep learning, ou « apprentissage profond », branche la plus connue de l’intelligence artificielle, il fonctionne par couches, à l’image d’un réseau de neurones connectés entre eux et répartis en différentes strates pour chaque calcul. La réponse n’est pas « recrachée » après un apprentissage associant dès le départ symptômes et pathologie. Elle est véritablement calculée à partir d’analyses statistiques et consiste en probabilités, celles que la réponse soit exacte. Watson apprend par lui-même, à partir d’un corpus pharaonique de connaissances, et crée de manière autonome ses propres connexions au fur et à mesure. Mais ce type d’intelligence artificielle présente un gros inconvénient : elle fonctionne comme une « boîte noire » et personne ne peut en expliquer le résultat… qui ira en outre enrichir le corpus de départ.
Une boucle d’apprentissage autonome
« En s’aidant des connaissances médicales qu’elle possède, la machine en acquiert de nouvelles, tout comme le fait un être humain : plus il en sait, plus il apprend », illustre Amedeo Napoli, directeur de recherche au Laboratoire lorrain de recherche en informatique et ses applications1. Son équipe « fouille les données médicales pour les donner à un système intelligent et créer une boucle d’apprentissage autonome ».Il s’agit de passer au crible une foule de données sur le métabolisme dans le but de faire émerger des marqueurs prédictifs et discriminants du diabète de type 2, ou encore de nouvelles molécules antibiotiques pour lutter contre la résistance bactérienne. Rechercher des corrélations entre les éléments moléculaires et certaines propriétés fonctionnelles des molécules peut conduire à la découverte de nouvelles structures moléculaires. À partir de ces corrélations quelquefois inattendues, pourront émerger des médicaments opérationnels et efficaces.« Nous avons également développé un système d’aide à la prise de décision pour les oncologues, qui fonctionne par analogie avec un cas standard de patient atteint de cancer », ajoute le chercheur. Les trajectoires des patients seront également mieux suivies, car si « un oncologue peut appréhender une dizaine de parcours de patients, la machine, elle, intègre des années de prise en charge », s’enthousiasme-t-il. Ce système d’aide à la décision a été pensé par des spécialistes du cancer et des praticiens cliniques, comme c’est presque toujours le cas pour des systèmes travaillant sur un domaine particulier.
