L’intelligence artificielle a conquis la plupart des domaines de la connaissance. Les modèles d’aujourd’hui savent parler, cuisiner, dessiner, et apprennent à soigner.
L’intelligence artificielle intervient à plusieurs endroits pour la médecine : de la découverte de nouveaux médicaments, à l’aide pour la recherche en passant par le diagnostic.
Dans cet article, j’ai voulu regrouper le maximum d’informations sur l’IA en santé. Ce document peut faire office d’état de l’art non-exhaustif, avec des références et un guide de lecture pour le futur de l’IA dans la santé.
NLP et santé
Les modèles de NLP sont de plus en plus robustes, ils permettent de saisir des subtilités de langage, et comprendre la sémantique des phrases.
Pour le NLP, il y a clairement un avant et un après GPT, le large langage model proposé par OpenAI. Et comme tous les domaines, le monde de la santé devrait beaucoup bénéficier de ces progrès.
Dans cette section on explore les différents projets de NLP dans la santé, même s’il n’y a pas de révolution, les prochaines années devraient voir de jolies initiatives émerger.
L’OCR pour l’analyse d’ordonnances
Les médecins ont leur façon à eux d’écrire, ils se comprennent plutôt bien entre eux et les pharmaciens n’ont pas l’air d’éprouver de difficultés à déchiffrer les ordonnances.
Néanmoins, il est clair que l’on peut faire beaucoup mieux niveau process et fiabilité. En attendant le passage au tout numérique (fortement remis en question par la cyber-attaque subie par un hôpital récemment), l’OCR (Optical Characters Recognition) semble être une solution intéressante pour mieux déchiffrer les prescriptions médicales.
Il est utile de noter que l’OCR restera utile même après le passage au tout numérique, puisqu’il permettra d’extraire des données plus facilement ou encore de générer des rappels pour la prise de médicaments de façon automatique (notamment pour les personnes âgées).
J’ai mis ce sujet dans la rubrique NLP car je suis convaincu que la partie liée au traitement de l’image ne sera bientôt plus un problème en OCR, le problème réside dans la compréhension et le traitement du texte résultant : notamment sur la classification des types (par exemple nom du médecin/nom du médicament/adresse, etc.).
Diagnostiquer des maladies par la voix
Owkin travaille avec 12 partenaires sur un projet de diagnostic des maladies via la voix. Pour mener à bien ce travail, le financement disponible s’élève à 14 M d’euros.
2 questions me viennent à l’esprit concernant ce projet :
- D’abord, j’avoue que je suis un peu dubitatif. C’est sans doute à cause de mon ignorance du monde de la santé, mais je ne vois pas comment un modèle pourrait détecter une pathologie simplement en utilisant la voix du patient. Comment est-ce que ça va marcher ?
- Et si ça marche, comment assurer le secret médical ? On pourrait prédire la maladie d’une personne au téléphone ou grâce à une vidéo d’elle…
Les limites de Google traduction
La situation dans laquelle un patient et un médecin ne parle pas la même langue est plus fréquente qu’on ne le pense.
Dans ces cas-là, on utilise souvent des modèles de traduction généralistes comme Google traduction. Le problème c’est que ces modèles n’ont pas été entraînés pour le médical et peuvent conduire à des erreurs graves de traduction.
Un exemple d’erreur faites par Google traduction (pas en situation réelle heureusement), est la traduction de “votre enfant s’adapte” à “votre enfant est mort”. Je te laisse voir le papier en réf qui décrit l’étude faite et recense quelques-unes des erreurs graves de traduction faites par Google traduction.
Afin d’accélérer la prise en charge et limiter le risque d’erreur, des modèles de traduction entraînés spécialement pour le médical émergent.
Des références sur le sujet :
- Google traduction pour la santé
- Le site de Aalia.tech, une startup française qui travaille sur ce sujet
- Un article de presse-citron
Vision par ordinateur et santé
Même si le NLP commence à contribuer énormément à la discipline, c’est clairement la vision par ordinateur qui est aujourd’hui l’outil de prise de décision le plus utilisé dans le médical.
Dans cette partie, j’ai sélectionné des projets intéressants qui utilisent la vision par ordinateur.
Vision par ordinateur pour l’imagerie médicale
Une des applications les plus matures de la vision par ordinateur, est l’analyse d’imagerie médicale.
Les meilleurs modèles actuels sont capables de diagnostiquer un cancer avec une meilleure précision que les médecins.
On peut aussi utiliser des modèles similaires pour la détection d’anomalies, c’est la même technique qui est utilisée que dans l’industrie.
Par ailleurs, des méthodes de traitement des imageries médicales sont utilisées pour réaliser des tâches moins intéressantes et automatisables comme le calcul de l’âge osseux.
Enfin, pendant la crise du covid, une équipe de chercheurs Chinois a développé un modèle de vision par ordinateur pour diagnostiquer le covid à partir du scanner thoracique.
Des références sur le sujet :
- Dépistage du covid
- Un état de l’art de The Lancet sur l’IA pour l’imagerie médicale
Améliorer le taux de réussite des fécondations im-vitro
J’ai été étonné d’apprendre que la vision par ordinateur était utilisée pour le traitement d’images d’embryons, pour faciliter la prise de décision avant une fécondation in-vitro.
Avant une fécondation in-vitro, les embryons sont cultivés en laboratoire, et le médecin doit choisir le ou les embryons à injecter dans l’utérus de la patiente (1 ou 2 embryons au maximum). Cette phase de prise de décision est très critique, et elle est à l’origine de la majorité des échecs de l’opération.
Les modèles de vision par ordinateur vont permettre d’avoir une analyse plus pragmatique et systématique que le médecin.
Une des entreprises de référence sur ce sujet est Imvitro. C’est une jeune start-up Parisienne qui a développé une plateforme SaaS à destination des médecins pour calculer un score qui exprime le potentiel de réussite de la fécondation.
Des références sur le sujet :
- Le site d’Imvitro
- Mon article sur le sujet
- Un papier en français
Le deep learning pour la découverte de nouveaux traitements
Un des modèles les plus en vogue dans le monde de la biologie est AlphaFold. Le modèle d’intelligence artificielle a été capable de prédire la structure de toutes les molécules connues à partir de leurs acides aminés.
Ce modèle a permis de faire de grandes avancées dans la recherche de nouveaux traitements assistée par intelligence artificielle. En aidant à comprendre les interactions entre les bactéries et les structures anti-bactériennes, AlphaFold pourrait aider à découvrir de nouveaux antibiotiques, même si une étude du MIT disponible en référence à nuance cette affirmation.
Des références sur le sujet :
- AlphaFold reveals the structure of the universe
- L’étude du MIT
La question éthique
Dès qu’on traite des données, et quelque soit le domaine, l’aspect éthique est un gros sujet, c’est d’autant plus vrai dans la santé.
D’abord, on traite des données personnelles sensibles, ce qui implique des mesures de sécurité avancées. Je suis assez surpris de voir que certains acteurs du monde de la santé en France utilisent des solutions de cloud non-souverain, à l’heure du cloud act (la réglementation américaine qui permet au gouvernement d’imposer aux entreprises de livrer leurs données).
Même d’un point de vue juridique, la définition d’une donnée de santé n’est pas très bien définie. Avec la multiplication des sources de données, ces questions se posent : est-ce que les données de ma montre connectées sont des données de santé ? le temps passé devant l’écran ? la distance que j’ai parcourue à pied cette semaine ? etc.
Par ailleurs, les modèles entraînés doivent être explicables. En deep learning, les modèles sont opaques et peu interprétables. C’est une caractéristique qu’on accepte en général, mais en santé, quand on doit diagnostiquer la maladie d’une personne, le modèle doit nous expliquer sa prédiction.
Des références sur le sujet :
Conclusion : IoT + Blockchain + IA X santé
Je me suis fait un délire en mode “formule magique” sur ce titre, je trouvais ça stylé ahah 🙂
Je ne suis pas expert du domaine, je ne suis pas devin, mais je vois bien le domaine de l’IA dans la santé prendre les directions qui s’énoncent dans cette partie.
D’abord, la robotique sera un grand sujet pour les années à venir. On voit déjà des systèmes automatisés dans les hôpitaux.
De nombreuses tâches pourraient être automatisées, pour accorder plus de temps aux personnels soignants et se concentrer sur l’essentiel : le contact humain.
L’avenir de la santé sera technologique, l’objectif sera de regrouper les techniques disponibles aujourd’hui, les agréger pour résoudre les problèmes actuels.
Avec l’IoT pour la collecte et l’agrégation des données, la blockchain pour la sécurisation et la traçabilité, et l’intelligence artificielle pour le traitement, le tout sera beaucoup plus grand que la somme de ses parties.
Leave a Comment