Meetup Med in Tech : Quels enjeux pour l’IA dans le domaine de la médecine ?
L’Intelligence Artificielle est aujourd’hui omniprésente et transforme nos sociétés. De l’industrie à l’art en passant par l’éducation, aucun domaine n’est en reste et la santé ne déroge pas à la règle. En effet, l’IA a permis ces dernières années l’émergence de nombreuses initiatives technologiques dans le domaine de la médecine, permettant d’adresser des problématiques variées.
Ces avancées technologiques dans le domaine de la médecine soulèvent de nombreuses questions sur l’IA : Quelles en sont les applications ? les opportunités ? les risques ? les enjeux ? telles sont les questions qui ont animé le meetup Med In Tech organisé dans les locaux de l’incubateur The Family le 29 mai dernier à Paris, et auquel Quantmetry a assisté.
IA en médecine : Une histoire qui ne date pas d’hier
En 1970 déjà, Edward Shortliffe chercheur à l’Université de Stanford développait MYCIN, une IA capable de diagnostiquer les maladies du sang et de prescrire des médicaments. Son nom faisant référence au suffixe -mycin souvent porté par les antibiotiques. MYCIN est ce qu’on appelle un système expert, autrement dit un programme informatique permettant de simuler la capacité de prise de décision d’un humain.
Un système expert se caractérise par trois principaux composants : une base de faits, une base de règles et un moteur d’inférence.
Son objectif étant, à partir d’une base de faits, d’appliquer de manière séquentielle un ensemble de règles permettant au moteur d’inférence d’arriver à des conclusions logiques.
Dans le cas de MYCIN, la base de règles est composée de plus de 450 règles préalablement établies par des experts et permettant de diagnostiquer une maladie. Voici un exemple d’une de ces règles :
Si
La coloration de Gram de l’organisme est négative et que l’organisme anaérobie et que l’organisme est en forme de bâtonnet
Alors
Il a des preuves évidentes que l’organisme est une bactérie
Un dialogue s’opère entre MYCIN et le patient où la machine pose une série de questions afin d’obtenir de nouveaux faits permettant de valider des règles, exemple: “La maladie a-t-elle nécessité une hospitalisation ?”.
MYCIN cherche à optimiser la sélection des questions afin d’obtenir les faits les plus discriminants permettant de satisfaire les règles.
En pratique MYCIN n’a pas connu le succès escompté et ce, non pas pour ses performances qui étaient somme toute très honorables, mais pour deux raisons : d’une part la difficulté de déploiement d’un tel système à une époque où le PC n’existait pas encore, et d’autre part les problèmes éthiques et légaux que pouvaient soulever l’utilisation de tels systèmes en médecine. Était notamment pointé du doigt la difficulté d’interpréter le cheminement logique ayant permis à la machine d’arriver à sa conclusion. A l’image des débats actuels autour de l’Intelligence Artificielle, dans les années 70 l’interprétabilité de ces systèmes « intelligents » posait déjà question.
MYCIN et les systèmes experts dans leur ensemble constituent les exemples d’une approche de l’IA dite cognitiviste qui constitue avec l’approche connexionniste les deux principales branches de la cognition qui permettent de modéliser les mécanismes de l’intelligence artificielle. On n’abordera pas ces notions en détails dans cet article, mais pour avoir une lecture approfondie du sujet je vous invite à lire la série d’article d’Issam Ibnouhsein sur la question.
Ce qui caractérise les systèmes experts et l’approche cognitiviste de manière générale est la nécessaire présence de règles qui permettent d’encoder les processus mentaux de « l’expert ». Ces systèmes présentent deux principaux inconvénients :
- Il est nécessaire de constituer une base de règles exhaustive afin d’aboutir à une conclusion
- L’incapacité de ces systèmes à s’adapter à des situations changeantes dans la mesure où « l’intelligence » qui est encodée dans ces machines est une image à un instant t de la connaissance de l’expert.
L’ensemble de ces obstacles a conduit à l’émergence d’une approche de l’IA « moderne » s’appuyant sur les données. La connaissance n’est plus représentée sous forme de règles prédéfinies par un expert mais plutôt par la sélection d’interactions pertinentes dans les données qui permettent d’expliquer un phénomène, ce qui constitue un changement de paradigme majeur.
Cette approche complémentaire de l’IA explique en partie l’émergence aujourd’hui d’applications concrètes dont certaines ont été présentées durant le meetup et qu’on évoquera dans la suite de l’article.
Quel rôle jouera l’IA en médecine et quels en seront les risques ?
Il apparaît aujourd’hui légitime de se demander dans quelle mesure l’IA à sa place en médecine ? En effet les décisions prises par la machine peuvent avoir un impact sur l’être humain et soulèvent naturellement des questions éthiques. Dans ces conditions comment s’assurer que la machine respecte un des principes clé du Serment de Génève, inspiré de celui d’Hippocrate :
« J’exercerai ma profession avec conscience et dignité, dans le respect des bonnes pratiques médicales ; Je perpétuerai l’honneur et les nobles traditions de la profession médicale »
Une des réponses qu’apporte le Docteur Jean David Zeitoun dans son talk est la nécessité d’avoir, ce qu’il appelle, un « continuum Homme-Machine ».
Figure 1: Le continuum Homme-machine
Le continuum Homme-machine est l’échelle donnant le degré de prise de décision de l’homme et de la machine dans une situation critique. Les avancées en IA permettent aujourd’hui à la machine de prendre des décisions de manière indépendante et contextualisée. Toutefois l’objectif de l’IA n’est pas de remplacer le médecin, en effet l’expertise du médecin est nécessaire et irremplaçable. L’idée est plutôt de l’accompagner dans sa prise de décision notamment en déléguant à la machine les tâches pouvant être automatisées. C’est le cas de certaines tâches répétitives et lassantes pour le médecin qui peuvent potentiellement engendrer une fatigue physique et mentale pouvant altérer sa prise de décision.
Un des enjeux aujourd’hui de l’Intelligence Artificielle en médecine est donc de placer le curseur dans ce continuum en prenant en considération l’ensemble des risques que peut susciter une prise de décision 100 % automatique ou bien 100 % manuelle.
Par sa nature et sa capacité de prise de décision, l’utilisation de l’Intelligence Artificielle est accompagnée de son lot d’incertitudes et de risques. Face à ce constat, l’attitude à adopter doit davantage se tourner vers la compréhension et la gestion des risques plutôt que vers le rejet de la technologie. C’est ce que s’est efforcé de faire le Docteur Zeitoun lors de son talk en dressant une cartographie des risques de l’IA selon deux dimensions : Le danger sociétal et la probabilité d’occurrence.
On constate par exemple que bien que le chômage de masse soit un risque à fort impact sociétal il n’a que très peu de chance de se réaliser, surtout en médecine où les professionnels de santé restent indispensables. Parmi les risques concrets de l’IA on retrouve leur fonctionnement « black box » qui pose parfois problème notamment en ce qui concerne l’interprétabilité du cheminement logique amenant le système à sa prise de décision. On peut également citer les biais d’algorithme qui peuvent introduire via les données les valeurs ou la sensibilité de leur concepteur. Une bonne illustration de ce biais d’algorithme est Norman, une IA développée par le MIT, qui a été entraînée pour interpréter les images qu’on lui présente. La particularité de Norman est qu’elle a été conçue selon une vision noire du monde. Ainsi, il interprète les images avec un penchant pessimiste, psychopathe ou bien raciste. Là où une IA classique voit un vase de fleurs, Norman voit l’image d’un homme tué par balle. Lorsqu’on présente à Norman une image interprétée par une IA classique comme un gâteau de mariage sur une table, elle y voit quant à elle un homme se faisant tuer par un chauffeur fou. Norman est évidemment un cas extrême conçue à des fins de recherche mais cela prouve tout de même que la conception d’une IA biaisée par un cadre de valeur fixé par son créateur, parfois de manière inconsciente, est techniquement possible.
Dans la dernière partie de sa présentation, l’intervenant a présenté un bref aperçu des cas d’utilisation de l’IA aujourd’hui en médecine. Il s’est notamment attardé sur l’utilisation des algorithmes de reconnaissance d’image à des fins de diagnostics qui est aujourd’hui un des cas d’usage le plus mature. On peut citer l’exemple de l’algorithme de Deep Learning des ingénieurs de Google permettant de diagnostiquer une rétinopathie diabétique avec des résultats comparables à ceux obtenus par des ophtalmologistes ou encore les travaux d’une équipe de Stanford qui ont permis de développer une IA entraînée sur une base de 129 450 images de lésion de la peau et capable de diagnostiquer des cancers de la peau.
Implicity : Une solution de monitoring de prothèses cardiaques
Le deuxième talk a été donné par le Dr Arnaud Rosier, cardiologiste et CEO de la startup implicity qui développe une solution de smart-monitoring de prothèses cardiaques à destination des rythmologues. La solution développée par Implicity s’articule autour de deux propositions de valeur :
- Fournir un dashboard clair et intuitif, capable de monitorer tous types de pacemakers en remontant les données transmises par les patients
- Fournir une solution d’IA capable de faire de la détection précoce d’anomalie et d’en alerter le médecin en temps réel
Un des problèmes que rencontrent aujourd’hui les cardiologues est le grand nombre de marques de prothèses à monitorer. Cette gestion se transforme très vite en casse-tête, d’où la nécessité de centraliser l’ensemble des données générées sur une seule plateforme.
Keelab ou comment combattre le cancer à l’aide de l’IA
Le troisième talk a été animé par la startup Keelab qui vient tout juste de rejoindre The Family.
Elle développe une solution d’IA basée sur des réseaux de neurones convolutifs capable de diagnostiquer de manière précoce le cancer du sein. Elle s’appuie, pour cela, sur l’utilisation de données histologiques, autrement dit, d’images de tissus vivants issues de tranches d’organes observées au microscope.
Keelab ambitionne ainsi d’aider les médecins dans leur travail de tous les jours notamment dans un secteur de l’anatomo-pathologie en manque d’experts et qui connaît une demande toujours aussi importante. La startup propose également de valoriser l’utilisation de scanners histologiques, scanners permettant la numérisation de lames, qui sont souvent très coûteux et sous-exploités par les professionnels de santé.
Une des difficultés rencontrées par Keelab a été de traiter des images de lames grossies jusqu’à 400 fois et pouvant ainsi peser jusqu’à 1 GO. Cette taille conséquente des images introduit une complexité computationnelle non négligeable. Pour remédier à cela la startup prétraite ses données en s’appuyant sur l’aide des médecins afin d’identifier et de conserver sur les images uniquement les zones d’intérêt. Un des autres challenges techniques à relever pour Keelab est la constitution d’une base de données de lame numérisées afin d’alimenter ses réseaux de neurones. Pour ce faire, la startup s’allie aux hôpitaux et aux instituts afin de récupérer ces précieuses lames. A terme, une des ambitions de Keelab est de généraliser sa solution à d’autres cancers comme le cancer du poumon, le cancer colorectal ou encore le cancer de la prostate. Tout l’enjeu étant d’être capable de capitaliser sur les travaux réalisés sur le diagnostic du cancer du sein pour appliquer sa solution à d’autres cas d’usage.
Conclusion
Ce meetup a été l’occasion d’avoir un aperçu des cas d’usage et des défis de l’IA en médecine avec les témoignages de professionnels qui participent pleinement à cette révolution. Qu’ils soient techniques ou bien éthiques, les enjeux pour l’IA dans le domaine de la médecine sont aujourd’hui multiples. En effet, les interactions entre la tech et le monde de la santé sont une réalité, les hôpitaux sont aujourd’hui inondés de demandes de partenariats provenant de l’écosystème MedTech.
A l’image des retours d’expérience de Keelab et d’Implicity, ces partenariats sont aujourd’hui indispensables et constituent un facteur clé de succès pour ces startups notamment dans un domaine de la santé où le time to market est souvent long. En effet la mise sur le marché est souvent impactée par les longs délais d’obtention des autorisations de commercialisation auprès de l’Agence Nationale de Sécurité du Médicament et des produits de santé (ANSM).
Elles s’accordent également à dire que « l’IA se heurte à un domaine très réfractaire à la technologie et l’innovation » comme en témoigne la grande majorité des hôpitaux qui ne sont aujourd’hui pas ou très peu digitalisés.
Sources :
http://sante.lefigaro.fr/article/l-intelligence-artificielle-bute-sur-la-medecine/
http://www.zeblogsante.com/systemes-experts-les-outils-de-la-medecine-3-0/
Taylor, William A. What every engineer should know about artificial intelligence. MIT press, 1988.
