Anticiper les maladies grâce au Machine Learning personnalisé et automatisé

L'ia dans la santé

Les progrès dans la science et la médecine sont spectaculaires. Ils permettent la prévention de nombreux risques, la guérison de nombreux patients, et apportent la réponse à de nombreuses questions entourant les maladies. Il est dorénavant possible d’apporter un support révolutionnaire au diagnostic opéré par les médecins afin que ces derniers soient au plus près de leurs patients. Prédire et anticiper de la manière la plus complète les causes plutôt que réagir trop tardivement, c’est la promesse de l’IA dans le domaine de la santé.

Médecine et IA

La médecine est au cœur de nos vies depuis des millénaires. Les premiers rapports écrits remontent à 200 av J-C, avec plus de 200 diagnostics et traitements correspondants. Une connaissance accrue des maladies, l’arrivée des nouvelles technologies ainsi que le désir de la population de toujours mieux anticiper l’ensemble des maux ont conduit à une accélération révolutionnaire des projets médicaux.

Aujourd’hui, les recherches continuent, soutenues par l’arrivée massive de l’intelligence artificielle au sein des laboratoires de recherche et des services pour la santé. De nombreux articles relatent les exploits de machines face à des médecins spécialistes dans le cas de la reconnaissance de pathologie sur la base d’images radiologiques , IRM ou scanner par exemple.

La capacité de traiter une quantité quasiment infinie de données grâce à l’IA laisse apparaître des opportunités insoupçonnées dans la détection de nombreuses pathologies et dans les liens qui existent entre les maladies et l’ensemble de l’environnement des patients. La machine est en effet capable de traiter les données de millions de patients, croiser ces informations avec celles des environnements , des études relatives aux pathologies, et ainsi de répondre à des questions aujourd'hui difficiles à traiter pour des êtres humains. On parle alors de Médecine prédictive.

Mais l’IA permet aussi d’automatiser les tâches répétitives, à faible valeur ajoutée, que les médecins n’auront plus à réaliser afin d'accorder encore plus de temps à leurs patients.

Qu’est-ce que la médecine prédictive par l’IA ?

Les progrès de la technologie de l’information ont permis aux outils de prévision d’accéder à une multitude de données qui vont de celles du patient, à l'ensemble des données imaginables qui se rapproche de près ou de loin au patient et à son environnement. (dossier personnel, capteurs externes, images, marqueurs…)

L’objectif de la médecine prédictive boostée à l’IA est de prédire la probabilité d’une maladie future, de sorte que les professionnels de la santé améliorent le diagnostic du patient et sa prise en charge, et côté patients qu’ils puissent être proactifs en modifiant de manière efficace leur mode de vie. Un autre objectif est aussi par exemple la possibilité d’évaluer de manière précise l’efficacité des traitements.


D’où viennent les données médicales qui alimentent les algorithmes ?

Il y a les données concernant le dossier médical privé du/des patient(s). Elles sont détenues par les institutions et organismes professionnels de la santé ainsi que le corps médical.

Il y a les données médicales collectives sur les maladies étudiées, leurs traitements, les recherches en cours pour permettre d’orienter certaines productions de médicaments par exemple.

Enfin, il y a les données environnementales collectées par des capteurs divers (mesure de la qualité de l’air) et accessibles à tous dans des bases de données publiques.

Ce sont ces gros volumes de données collectés, combinés puis analysés à l'aide de techniques innovantes, qui alimentent les algorithmes d’apprentissage automatisé.

L’apprentissage automatisé pour la médecine prédictive

Les réseaux de neurones sont une famille d’algorithmes largement utilisés en apprentissage automatique, en particulier, pour des problèmes d’apprentissages supervisés.

Dans une première phase d’apprentissage, on soumet aux modèles des cas clairement étiquetés (Malades, Personnes saines).

Ainsi que toutes les variables d’entrée que l’on pense être pertinentes (comme âge, antécédents familiaux et personnels, Poids, traitement en cours…)

Sur cette base historique d’expertise humaine, les algorithmes d’apprentissage sont capables d’établir les règles qui gouvernent l’établissement d’un diagnostic, voire d’en établir certaines nouvelles que les médecins auraient été incapables de formaliser. Ainsi, le Machine Learning va plus loin que le cerveau humain pour créer une médecine prédictive efficace.


Note: L’algorithme apprend de la même façon qu’un étudiant en médecine qui apprend à reconnaître des personnes à risque en corrélant des éléments avec une quantité de situations différentes. Les observations établies sont variées et complexes, avec un grand nombre d’entrées pertinentes utilisées.

Dans une deuxième phase, la validation des modèles : on montre quelques nouveaux cas aux modèles et on mesure leurs performances. Dès lors que les modèles affinent leurs courses vers le meilleur modèle et présentent des performances satisfaisantes à reconnaître les malades, on estime que celui-ci a trouvé une règle corrélant des variables d’entrées et une décision finale. Cependant, là où le Machine Learning devient remarquable, c’est dans la rapidité d’apprentissage qu’il démontre. En effet, si un étudiant a besoin de 9 ans d’études, la machine en a besoin de 1000 fois moins !


À la suite de cela, les résultats établis par l’intelligence artificielle sont ensuite conservés et intégrés à un logiciel de dépistage pour pouvoir traiter les nouvelles situations similaires et compléter l’apprentissage du modèle prédictif. Au niveau de la médecine, la prévention est optimisée à de nombreux niveaux. L’arrivée d’une médecine prédictive est donc particulièrement positive pour le domaine médical.

Cette capacité d’apprentissage automatique peut être mise en place à l’aide de plateforme de machine learning automatisée. Des récents résultats démontrent que les intelligences artificielles obtiennent de meilleurs résultats que les médecins spécialisés dans le cas des diagnostics de tumeurs cérébrales. Cependant , il faut faire attention à l'AI washing qui a conduit récemment de nombreux grands éditeurs à lancer des messages marketings forts qui ont donné des espoirs aux malades sans que leurs solutions démontrent un avantage certain dans la détection de marqueurs tumoraux.

Prevision.io, qui est la plateforme de machine learning automatisée la plus performante au monde, était en chine en Novembre 2018 et en a profité pour tester sa plateforme dans le cadre de la mise à disposition de données massives et ce afin de démontrer un apport significatif au diagnostic, ainsi qu’au CES début 2019 aux Etats Unis pour montrer ses réalisations dans ces cas d’usages précis.

Les limites rencontrées aujourd’hui et la grande question : la machine va t-elle remplacer le médecin ?

On pense souvent que la machine va remplacer l’Homme et, dans le cas de la médecine, menacer des pans entiers de la filière santé.

Bien que Prevision.io soit capable de dépasser la capacité de détection de certaines pathologies, la machine est encore loin de remplacer le médecin. Elle est avant tout un formidable accélérateur au bon diagnostic et un soutien important pour prédire et aider le médecin à poser les jalons de traitements nécessaires pour le patient au bon moment.

Ces IA seront donc des atouts majeurs pour les médecins dans la quête d’efficacité à la fois pour anticiper les maladies, mais aussi ajuster au mieux les traitements.

Plusieurs limites existent dès qu’on sort du cadre de détection sur des images ou des scans. Certaines données ne sont pas accessibles pour les machines et la sensibilité du médecin est souvent supérieure à ce qu’une machine, qui résout avant tout un problème mathématique , est capable de réaliser. De plus, la médecine prédictive rencontre des difficultés dus à la fiabilité des données intégrées en entrée. Par exemple, une personne définie comme « saine » alors qu’elle présente déjà une maladie qui n’aurait pas encore été détectée peut induire des biais importants au niveaux des modèles prédictifs.

Ou encore, il arrive que certaines variables influentes soient mal reconnues ou perturbent l’étape d’apprentissage du modèle. La présence de « bruits de fond » dans les processus étudiés n’est pas systématiquement rédhibitoire durant les apprentissages qui sont conçus pour faire « la part des choses ». Il faut garder en mémoire que certaines données viennent nuancer les résultats obtenus.

Le médecin va surtout bénéficier d’un allié de poids avec ces machines automatisées. Le couple permettra de poser les bons diagnostics, plus tôt, de manière plus efficace, pour le bien physique et moral du malade.

Prevision.io -