La transformation des métiers de la santé

Les algo­rithmes d’intelligence arti­fi­cielle cherchent main­tenant à exploiter l’im­men­sité des dossiers médi­caux pour essay­er d’as­sur­er une bonne préven­tion ou pre­scrire un traite­ment per­son­nal­isé. Pour de mul­ti­ples raisons les résul­tats obtenus sont mit­igés, on arrive à égaler l’ex­pert, mais pas encore à le surpasser.

En dépit de toutes les don­nées dont on dis­pose, le choix d’un traite­ment con­tre un can­cer (chirurgie, chimio­thérapie, thérapie ciblée…) s’effectue, à quelques excep­tions près, comme il y a quinze ans, à par­tir d’un nom­bre lim­ité de paramètres comme l’âge du patient, la taille et l’aspect au micro­scope de la tumeur, la présence ou non de métas­tases, ou l’expression de deux ou trois pro­téines connues.

ASSISTER L’EXPERTISE HUMAINE

On peut légitime­ment se deman­der si une meilleure exploita­tion des don­nées de san­té, cou­plée à des algo­rithmes d’intelligence arti­fi­cielle, pour­rait amélior­er la pra­tique médi­cale, par exem­ple pour iden­ti­fi­er le traite­ment le plus effi­cace pour chaque patient, éviter des traite­ments inutiles ou néfastes, voire pour pro­pos­er des approches thérapeu­tiques com­plète­ment nouvelles.

La réponse à cette ques­tion est cer­taine­ment pos­i­tive, au moins pour cer­taines appli­ca­tions de l’intelligence arti­fi­cielle visant à automa­tis­er ou imiter cer­taines tâch­es faites actuelle­ment par des experts humains ; elle me sem­ble moins évi­dente, au moins sur le court et moyen terme, pour ce qui con­cerne le dépasse­ment de l’expertise humaine.

MIEUX INTERPRÉTER LES CLICHÉS MÉDICAUX

Le pre­mier type d’applications com­prend des tâch­es visant à « imiter » l’expertise humaine.

L’IA peut aider les médecins à inter­préter des clichés. © FOTOGRAFICHE.EU

Par exem­ple, quand il s’agit de détecter une tumeur sur une mam­mo­gra­phie ou de décider si un grain de beauté pris en pho­to par un smart­phone est poten­tielle­ment un mélanome.

Ces tâch­es sont effec­tuées aujourd’hui par des humains, générale­ment experts et entraînés pen­dant de longues années. Il est dif­fi­cile d’automatiser ces tâch­es avec des algo­rithmes basés sur des règles fix­es, car il est dif­fi­cile de coder explicite­ment com­ment l’expert prend sa décision.

Mais il est facile de col­lecter de grandes quan­tités de don­nées annotées par ces experts, ce qui ouvre la voie à l’utilisation de tech­niques d’apprentissage super­visée pour laiss­er le pro­gramme « appren­dre » à imiter l’expert.

UNE AIDE AU DIAGNOSTIC

De telles appli­ca­tions peu­vent avoir un impact impor­tant et rapi­de sur la pra­tique médi­cale. Elles four­nissent un référen­tiel con­sis­tant, util­is­able dans de nom­breux hôpi­taux, notam­ment aux endroits ne dis­posant pas des meilleurs experts. Elles peu­vent démoc­ra­tis­er et faciliter l’accès à cer­tains exa­m­ens, comme l’analyse rapi­de d’images pris­es par un smart­phone, afin de faire entr­er dans le sys­tème de soins des patients à un stade plus pré­coce de la mal­adie, et donc plus facile à traiter.

Elles peu­vent aus­si décharg­er les experts de cer­taines tâch­es répéti­tives afin qu’ils puis­sent se con­cen­tr­er sur les tâch­es à plus forte valeur ajoutée, comme l’analyse plus fine des images ou des dossiers iden­ti­fiés à risque par un algo­rithme automatique.

IMITER OU DÉPASSER L’EXPERT

Plutôt qu’imiter un expert, un sys­tème infor­ma­tique peut-il le dépass­er et, par exem­ple, faire des diag­nos­tics plus pré­cis que les humains ou sug­gér­er de nou­velles approches thérapeutiques ?

Cette vision séduisante, large­ment véhiculée par les médias, fait l’objet d’intenses efforts de recherche et d’investissement de la part du monde académique et indus­triel. Dans le lan­gage de l’intelligence arti­fi­cielle, la dif­férence entre « imiter l’expert » et « dépass­er l’expert » n’est pas très impor­tante et s’appuie sur les mêmes con­cepts et out­ils algorithmiques.

“ La révolution génomique des années 2000 n’a pas encore révolutionné le traitement des cancers ”

En effet, pour imiter l’expert, un sys­tème d’apprentissage automa­tique sera entraîné de manière super­visée avec des don­nées pour lui appren­dre le lien entre des mesures (par exem­ple, un dossier médi­cal) et une déci­sion prise par un expert (par exem­ple, iden­ti­fi­er une tumeur).

Pour dépass­er l’expert, il suf­fit d’entraîner le même sys­tème non pas avec les déci­sions de l’expert, mais par exem­ple avec l’évolution observée de la mal­adie suite à un traitement.

DES RÉSULTATS PARFOIS EN DEÇÀ DES ESPOIRS

Mal­gré sa sim­plic­ité con­ceptuelle, la tâche peut cepen­dant se révéler ardue, et les résul­tats tar­dent encore à se con­cré­tis­er dans la pra­tique médi­cale. Prenons l’exemple du choix thérapeu­tique dans le can­cer du sein.

Col­lecter des mil­lions de paramètres ne suf­fit pas à révo­lu­tion­ner les pra­tiques. © SEPY

Depuis une quin­zaine d’années, plusieurs études ont col­lec­té des grandes quan­tités de don­nées génomiques sur des cohort­es de patients atteints de can­cer, afin d’identifier des mod­èles pré­dic­tifs de risque de récidive ou de réponse aux traite­ments par appren­tis­sage statistique.

Cer­taines études ont d’ailleurs abouti à des mod­èles pré­dic­tifs com­mer­cial­isés, bas­ant leur pré­dic­tion sur l’analyse de quelques dizaines de gènes iden­ti­fiés par des procé­dures automatiques.

Mais leur per­for­mance est au plus mar­ginale­ment supérieure aux approches stan­dard, pour un coût bien supérieur ; la révo­lu­tion génomique des années 2000 n’a pas encore révo­lu­tion­né le traite­ment des can­cers, mal­gré les quan­tités phénomé­nales de don­nées collectées.

Il sem­ble donc qu’il ne suff­ise pas de col­lecter des mil­lions de paramètres a pri­ori intéres­sants et d’entraîner des mod­èles d’apprentissage automa­tique pour révo­lu­tion­ner une pra­tique qui peut sem­bler bien naïve, mais reste large­ment util­isée dans les hôpitaux.

BIG DATA VS DIRTY DATA

Pourquoi de telles approches, con­sis­tant à col­lecter des grandes quan­tités de don­nées et à entraîn­er des mod­èles (par­fois com­plex­es), n’améliorent-elles pas tou­jours des approches stan­dard sou­vent basées sur un petit nom­bre de paramètres ? On peut avancer plusieurs raisons. Tout d’abord se pose la ques­tion de la qual­ité des don­nées : il peut arriv­er que big data soit sou­vent lié à dirty data, et que le bruit des don­nées cache le sig­nal intéressant.

“ Le moteur de l’intelligence artificielle est de parvenir à collecter de grandes quantités de données sur beaucoup d’individus ”

Les pro­grès tech­nologiques et la stan­dard­i­s­a­tion des pro­to­coles peu­vent résoudre en par­tie cette ques­tion, même si les don­nées comme les comptes ren­dus d’examens médi­caux rédigés en texte libre par des médecins restent red­outable­ment dif­fi­ciles à standardiser.

Deux­ième­ment, il se peut que, même sans bruit, les don­nées mesurées ne con­ti­en­nent pas l’information per­ti­nente pour résoudre le prob­lème iden­ti­fié. Par exem­ple, il se peut que le niveau d’expression des 20 000 gènes codés par notre génome ne con­ti­enne pas plus d’information que qua­tre ou cinq paramètres clin­iques stan­dard pour prédire le risque d’une récidive du cancer.

CROISER LES APPROCHES

Pour pal­li­er ce prob­lème, une solu­tion sem­ble alors de col­lecter des don­nées dif­férentes, par exem­ple de com­pléter l’expression des gènes par les muta­tions de l’ADN, les images d’IRM, l’ensemble du dossier médi­cal, etc., en espérant qu’en com­bi­nant plus de don­nées, on aug­mente l’information qu’elles con­ti­en­nent pour le prob­lème de pré­dic­tion que l’on cherche à résoudre.

Cepen­dant, cette ten­dance se heurte frontale­ment à une troisième rai­son qui peut expli­quer la faible per­for­mance des mod­èles pré­dic­tifs : le fait que pour entraîn­er des mod­èles pré­dic­tifs per­for­mants par appren­tis­sage automa­tique, il faut beau­coup d’exemples, dans notre cas beau­coup de patients ; et plus on mesure de paramètres dif­férents, plus il faut d’exemples, pour des raisons pure­ment math­é­ma­tiques et statistiques.

Il se peut que le niveau d’expression des 20 000 gènes codés par notre génome ne con­ti­enne pas plus d’information que qua­tre ou cinq paramètres clin­iques stan­dard pour prédire le risque d’une récidive du can­cer.
© VITSTUDIO

Cela pose la ques­tion de dévelop­per la théorie et les algo­rithmes pour l’apprentissage automa­tique de mod­èles com­plex­es à par­tir de rel­a­tive­ment peu de don­nées, ques­tion pas­sion­nante mais difficile.

DES QUESTIONS ÉTHIQUES ET LÉGALES

Le moteur de l’intelligence arti­fi­cielle étant de par­venir à col­lecter de grandes quan­tités de don­nées sur beau­coup d’individus, le domaine de la san­té soulève des ques­tions spé­ci­fiques à ce sujet. En plus de la dif­fi­culté fon­da­men­tale de réu­nir des cohort­es de patients de taille suff­isante, les ques­tions éthiques et légales autour de la manip­u­la­tion des don­nées de san­té sont nombreuses.

Qui pos­sède les don­nées ? Qui peut les utilis­er ? À quelles fins ? À qui appar­tien­dront les résul­tats ? Autant de ques­tions au cœur de nom­breuses dis­cus­sions actuelle­ment entre les dif­férents acteurs, notam­ment la société civile et les asso­ci­a­tions de patients, le lég­is­la­teur, le corps médi­cal et les entreprises.

Ces débats dépassent le côté pure­ment tech­nique de savoir si, grâce à ces don­nées, un ordi­na­teur aura un jour la capac­ité de mieux traiter un malade qu’un médecin aujourd’hui.

---

Articles similaires :

Con­stru­ire l’IA : des don­nées, des algo­rithmes, des ressources et des hommes Démys­ti­fi­er, maîtris­er et ren­dre utile l’intelligence artificielle La régu­la­tion juridique des robots intelligents Mieux servir la clien­tèle de par­ti­c­uliers dans les banques La révo­lu­tion de l’apprentissage machine autonome Les révo­lu­tions de l’intelligence artificielle