MEDECINE ET ROBOTIQUE

MEDECINE ET ROBOTIQUE

LEXIQUE DE L'IA EN SANTE : QU'EST-CE QUE L'APPRENTISSAGE MACHINE?

Nous vous proposons d'essayer de comprendre l'IA au travers de ses mots. Le lexique répond à un objectif didactique. Les mots sont choisis pour leur importance en IA médicale. Ils ne sont pas publiés par ordre alphabétique mais selon un schéma visant à apporter une compréhension progressive du sujet. Pour faciliter la lecture en ces temps de surcharge médiatique, le lexique n'est pas publié en une fois mais sous la forme d'une série d'articles. Les références bibliographiques utilisées sont indiquées en fin de page. 

 

MOT N°3: APPRENTISSAGE MACHINE

En anglais: machine learning

C’est le coeur de l’intelligence artificielle. Le terme apprentissage machine regroupe l’ensemble des méthodes informatiques destinées à rendre une machine autonome. La machine n’est plus programmée explicitement pour une tâche précise, elle s’auto-programme. Elle acquiert la capacité de s’adapter par elle-même à des variations de ses données d’entrée.

 

Il existe de nombreuses méthodes d’apprentissage machine. La plus connue et la plus efficace à ce jour est l'apprentissage profond (en anglais: deep learning). Mais, comme nous le verrons dans la suite de ce lexique, il n’est qu’une méthode parmi d’autres et n’est pas l’aboutissement de l’intelligence artificielle. D’autres méthodes, plus performantes, sont à l'étude et pourraient supplanter l'apprentissage profond prochainement. 

 

Quelle que soit la méthode utilisée, l’apprentissage machine doit respecter certaines étapes communes. Il s’agit des phases d'entraînement, de validation et de test. Ces termes se retrouvent dans toutes les publications d’intelligence artificielle médicale. Il est donc important de savoir ce qu'ils recoupent pour comprendre les paragraphes méthodologie des articles scientifiques médicaux. 

 

Les 3 phases de l'apprentissage machine

Le but de l'apprentissage machine est d'apprendre à un système informatique à réaliser une tâche. Quelques exemples réussis en médecine sont la reconnaissance de mélanomes sur des photographie de lésions dermatologiques, de métastases de cancer du sein sur des coupes anatomo-pathologiques de curages ganglionnaires ou encore le diagnostic de tumeurs cérébrales sur des scanners. 

 

Pour entraîner une machine, il est nécessaire de partir d'une base de données. Si l'objectif est, par exemple, de configurer un algorithme de diagnostic automatique de mélanomes, on utilisera comme base de données une bibliothèque de photographies, déjà enregistrées et déjà étiquetées, de lésions dermatologiques. 

La base de données va être divisée en 3 parties inégales qui vont, chacune, être utilisées dans 3 étapes successives et distinctes du processus d'apprentissage machine:  entraînement, validation et test. 

 

Entraînement, validation et test

En anglais; training, validation et test

Entraînement. Un échantillon, le plus important - 60 à 75% des données lui sont réservées- est utilisé pour l’entraînement, c’est à dire la création de l’algorithme.  C'est dans cette phase que la machine "apprend" c'est-à-dire qu'elle compose un algorithme qui permettra d'exécuter la tâche demandée: par exemple, reconnaître les mélanomes au sein du jeu de photographies de lésions dermatologiques.  

Une fois cette phase terminée, il restera à vérifier que l'algorithme fonctionne sur des données inconnues, qu'il est "généralisable". C'est le rôle des phases suivantes qui se feront sur le reste des données qui sont, en quelque sorte, mises à part pour tester l’algorithme. 

 

Validation. On soumet donc l’algorithme à un jeu données qu’il ne connaît pas. Le but de cette phase est de repérer les erreurs et de les corriger.

Reprenons l’exemple du système entraîné à reconnaître des mélanomes sur des photographies. A l’issue de la phase d’entraînement, on confronte l’algorithme au  jeu de validation qui, rappelons le, est composé d’images qu’il ne connaît pas. Ce jeu comprend des images de mélanomes et des images autres ( normales, autres tumeurs etc..). Lorsque, sur ce jeu inconnu, le système va se tromper, on le corrige en lui indiquant la bonne réponse. La machine modifie son algorithme en conséquence.

Cette phase de réglage est indispensable pour obtenir un algorithme performant. Mais elle comporte elle-même un risque, celui du « surajustement » ou overfitting en anglais. Cela signifie que l’algorithme s’est trop adapté à sa base de données et a du mal à généraliser. Ceci peut se produire si l’échantillon de validation n’est pas suffisamment représentatif de la population générale, ce qui est le cas si le nombre de données est trop petit. 

L’une des façons de contourner ce problème est de créer un 3e échantillon dit de test. 

 

Test. L’algorithme corrigé au cours de la phase de validation est soumis à ce 3e échantillon. Si l’algorithme est capable de donner de bonnes réponses sur ce jeu de données inconnues pour lui, on dit qu’il est généralisable. 

Son aventure dans le monde réel peut alors commencer…

 

LES MACHINES APPRENNENT-ELLES VRAIMENT? 

Cette question est au cœur du débat de société entourant l'intelligence artificielle. En réalité, les machines n’apprennent pas au sens humain du terme. Les actions qu'elles effectuent sont le résultat de calculs mathématiques. L'intelligence artificielle aboutit certes à des actions automatisées qui miment celles du cerveau humain mais il n'existe pas de processus conscient sous-jacent. La machine "intelligente" ne fait que manipuler des données connues, préalablement enregistrées. Elle ne "pense" pas et ne crée pas de concept nouveau. Elle peut aider à le faire, mais n'en produit pas par elle-même.

Pour reprendre l'expression de Christophe Tricot dans l'article cité en référence ci-dessous:  "les machines calculent mais n'apprennent pas". 

 

 

Quelques sources documentaires

 

Sur le machine learning:

Référence video: 

Intervention de Alexia Audevart  à l'occasion du salon de la data à Nantes en 2017.  L'auteure a de remarquables qualités pédagogiques. Cette présentation est peut être la plus claire de toutes celles que j'ai vues. Vous ne perdrez pas les 45 min que vous passerez à la visualiser. 

 

Référence bibliographiques:

Citons 2 ouvrages, l'un en français, l'autre en anglais, tous 2 remarquables par leur clarté et leurs qualités didactiques. 

Jean-Claude Heudin: Manuel de survie en intelligence artificielle.

 

En langue anglaise: John Paul Mueller and Luca Massaron. Machine Learning for dummies. 

 

 

Sur le thème : les machines apprennent -elles vraiment?

Citons l'article de Christophe Tricot, paru en janvier 2018 dans le journal L'Usine Nouvelle

https://www.usinenouvelle.com/article/tribune-les-machines-n-apprennent-pas.N642748

 

 

LES AUTRES ARTICLES DU LEXIQUE:

 

LEXIQUE DE L'IA EN SANTE : QU'EST-CE QUE L'INTELLIGENCE ARTIFICIELLE?

 

LEXIQUE DE L'IA EN SANTE: QU'EST-CE QU'UN AGENT CONVERSATIONNEL?

 

 

 

 

 

 


30/09/2018
1 Poster un commentaire

L'INDISPENSABLE NECESSITE DE TESTER L'INNOVATION TECHNOLOGIQUE

La révolution industrielle occasionnée par l'intelligence artificielle et la robotique soulève les plus grandes interrogations. Certains commentateurs sont très alarmistes, mettant l'accent sur les risques de chômage technologique par remplacement massif des professionnels de santé. Un sujet pourtant essentiel est bien peu débattu, celui de l'évaluation de l'innovation. La validation scientifique de sa capacité à apporter une réelle valeur ajoutée sur le terrain reste essentielle. Elisabeth Mc Glynn et Mark Clellan, 2 spécialistes de l'évaluation des politiques de santé nous livrent leur analyse et leurs propositions dans un article paru en mars 2017 dans la revue américaine Health Affairs. 

Pour les 2 auteurs, la politique d'innovation des structures de santé se heurte à plusieurs difficultés majeures. En effet, certaines nouveautés n'ont pas répondu aux attentes initiales. Il existe par ailleurs une pression à adopter l'innovation qui incite les dirigeants à prendre des décisions sans disposer de preuve réelle de bénéfice.

 

Pour répondre à ces problématiques, les auteurs défendent l'idée d'une évaluation de l'innovation. S'inspirant des essais cliniques, E. Mc Glynn et M. Clellan proposent plusieurs règles épistémologiques. Avant implantation, il s'agit de recueillir les meilleures preuves pour prendre la bonne décision.  Après acquisition, il s'agit de savoir si l'innovation fonctionne où si elle doit être modifiée. 

Ils ont identifié plusieurs questions clefs qui doivent servir d'armature à l'évaluation : identifier et décrire la population cible, décrire le statut de cette population cible afin de pouvoir retracer ultérieurement les changements apportés, enfin, documenter les composants techniques de l'innovation. En effet, une solution technique n'est pas obligatoirement adaptée à tout type de patients et de situations cliniques. A l'instar de la recherche médicamenteuse, il est important, si l'on veut obtenir des résultats fiables et interprétables, de bien définir à l'avance la catégorie de patients qui peut bénéficier de la nouveauté et d'étudier spécifiquement les effets de l'innovation sur sa qualité des soins. Résumant les point de vue des auteurs, une éditorialiste du BLOG de la revue Health Affair écrivait que les questions à poser étaient les suivantes. Est-ce que l'innovation est adaptable à ma structure? Doit-on faire ça ici? Peut-on faire ça ici? Comment faire ça ici? 

Il s'agira ensuite de soumettre les résultats à une analyse critique en s'interrogeant de la façon suivante. Les changements seraient-ils arrivés de toute façon, même en l'absence de l'innovation testée? Existe-t-il un paramètre non mesuré ayant pu affecter le résultat des tests? 

 

Au delà des aspects techniques dont débattront les spécialistes de la méthodologie, l'article de E. Mc Glynn et de M.Clellan a, de notre point de vue, le mérite de poser les vraies questions. Le débat public est en effet dominé par les effets d'annonce qui accompagnent la présentation de chaque prototype, laissant accroire un développement irrésistible des nouvelles technologies. L'histoire récente est pourtant jalonnée d'échecs techniques et commerciaux qui dévoilent une réalité plus nuancée. Un observateur attentif constatera aisément que la plupart des communications technologiques ne concernent pas des objets éprouvés mais bien des prototypes aux effets supposés. Par ailleurs l'acceptation et la résistance à la technologie sont des aspects régulièrement occultés. Il est admis d'évidence qu'un objet technologique s'imposera dans un milieu professionnel pour bouleverser ses organisations de travail et ouvrir une nouvelle page d'histoire. Rien n'est moins sûr. La société n'est pas un corps inerte. Elle réagit toujours. Si la contradiction est trop forte entre le bénéfice apporté et l'intérêt des professionnels, l'innovation sera purement et simplement rejetée. A oublier qu'innover est aussi et surtout une question de société, on prépare l'échec de la révolution technologique, plus que son déploiement.

L'évaluation est une réponse. Un prototype doit être testé en conditions réelles avant mise sur le marché. Mais les tests ne doivent pas être uniquement technologiques. Ils doivent aussi étudier les effets de l'innovation sur la qualité des soins et les organisations de travail. Ainsi peut-on espérer obtenir une insertion harmonieuse des nouvelles technologies dans le monde de la santé, au bénéfice de tous, patients et professionnels. 

 

SOURCES:

E. Mac Glynn, M. McClellan. Strategies for assessing delivery system innovation. Health Affairs 2017; 36: 408-416

 

Cyndy Brach. "Will it work here" ? Health systems need contextual evidence before adopting innovation. 

http://healthaffairs.org/blog/2017/06/16/will-it-work-here-health-systems-need-contextual-evidence-before-adopting-innovations/

 

 

 


04/09/2017
0 Poster un commentaire

CONSCIENCE DES MACHINES OU ANTHROPOMORPHISME?

Les machines, peuvent-elles, un jour, prendre conscience? Le débat a été relancé par des chercheurs de l'université Columbia à New-York qui publient, dans le numéro de janvier 2019 de la revue Science Robotics, le compte-rendu d'une expérience spectaculaire. Ils ont fabriqué un bras robotisé qui s’est auto-programmé. Sans aucune notion préalable de géométrie ou de physique, le robot a appris seul à quoi il pouvait servir et a réussi à accomplir 2 tâches de préhension. Les auteurs pensent avoir acquis le premier pas vers la conscience des machines. Sans surprise, ils ont été intensément relayé sur les réseaux sociaux. Certains commentateurs ont manifesté leur inquiétude. Notre futur est-il menacé par une technologie émancipée qui absorberait progressivement la civilisation humaine jusqu'à l'asservir complètement?

Les chercheurs ont-ils vraiment ouvert le chemin vers des robots conscients?

Nous décrivons leur travail ci-dessous. Comme il est d'usage dans ce blog, la première partie de notre article est une description factuelle de la publication scientifique, simple résumé explicatif. La seconde partie est l'analyse de la rédaction de médecine-et-robotique.

Nous espérons que chacune et chacun d'entre vous trouvera matière à forger sa propre opinion sur ce sujet passionnant. 

 

illustration_02.jpg

 La consultation médicale robotisée. Illustration par Vanessa Guedj  http://vanessaguedj.com

 

POURQUOI CETTE ETUDE? QUELLES ETAIENT LES MOTIVATIONS DES CHERCHEURS?

Les chercheurs exposent le raisonnement sous-jacent à la conception de leur expérience. Leur objectif est de fabriquer un robot capable d’apprendre par lui-même, sans programmation explicite préalable. Ils partent de l’hypothèse que la première étape dans cette voie est d’obtenir un système capable de créer une image de lui-même, ce que l’on appelle une auto-modélisation (« self-modeling » en anglais). A partir de là, le robot pourrait apprendre en planifiant ses actions intérieurement. Ceci pourrait alors avantageusement remplacer les méthodes actuelles d’apprentissage robotique où chaque tâche fait l’objet d’un entraînement physique coûteux. 

 

Pour atteindre leur but, les chercheurs ont utilisé l’apprentissage machine (« machine learning » en anglais). L’apprentissage machine est utilisé en intelligence artificielle pour faire apprendre une tâche déterminée aux systèmes. Ceci correspond à ce qu’on nomme l’intelligence artificielle (IA) « étroite » (« narrow artificial intelligence en anglais). Mais l'IA étroite ne peut pas généraliser, et donc, ne peut pas apprendre des tâches nouvelles toute la vie.

Ce cadre général étant posé, les chercheurs définissent un concept qui va guider leur travail: créer un « moi » du robot et le séparer de la tâche proprement dite. Ainsi, chaque nouvelle expérience permettrait à la machine de redéfinir elle-même son modèle et d’apprendre en permanence. 

Ces concepts sont probablement abstraits pour nombre de lectrices et de lecteurs. Nous allons maintenant décrire l’expérience, ce qui devrait aider  à les comprendre. 

 

QUELLE A ETE L'EXPERIENCE REALISEE PAR LES CHERCHEURS?

Description du robot

Le robot étudié est très éloigné de l'humanoïde de l'illustration ci-dessus. L'humanoïde est probablement l'image qui nous arrive lorsque l'on évoque un robot conscient capable d'apprendre. En réalité, la recherche n'en est pas encore à ce stade. Le robot étudié par les chercheurs de Columbia est un bras robotisé avec 4 degrés de liberté, avec une pince à l'extrémité. Il peut réaliser un plan horizontal de 37 cm de diamètre et de 51 cm dans le plan vertical. La distance maximale entre 2 points atteignable est de 74 cm.  

 

 Principe de l’apprentissage et de la création du modèle de soi-même (self-modeling)

La première étape a consisté à faire réaliser au bras robotisé 1000 trajectoires aléatoires au cours de laquelle il a découvert par lui-même ce qu’il était capable de faire. Pour chaque trajectoire, le système informatique a enregistré 1000 couples de données que les chercheurs ont nommé paires d'action-sensation. L'action correspond à la commande motrice ( la commande qui déplace la position du bras robotisé). La sensation correspond aux coordonnées dans l'espace (la position du robot après l'action de la commande motrice). Ceci donne un schéma en 3 dimensions en forme de cloche. Le "modèle de soi-même" n'est donc pas une représentation physique réelle du bras robotisé mais un graphique qui représente toutes les positions possibles du bras robotisé dans l'espace. 

Vous pouvez visualiser à la fois le robot de l'expérience et le graphique du modèle dans les 40 premières secondes de la video ci-dessous. (Video en anglais mais le plus important est de voir les images)

 

Les tâches apprises par le robot

Pour pouvoir apprendre, le robot doit capter les relations entre les positions dans l'espace et les commandes motrices. Les méthodes actuelles d’apprentissage profond, une forme particulière d’apprentissage machine, permettent de réaliser le traitement informatique des données nécessaire à cet objectif.

Les chercheurs ont donc implémenté un algorithme de deep-learning pour entraîner l'auto-modèle à réaliser 2 tâches, l'une de ramassage/placement, la seconde d'écriture à la main. Les 2 tâches peuvent être visionnée sur la video. 

Dans le premier exercice, il fallait saisir des billes de 20 mm de diamètre, 9 au total et les placer dans un verre. Le taux de réussite du ramassage a été de 44%, celui du dépôt dans le verre de 100%. Le deuxième exercice était une tâche d’écriture à la main. 

Enfin, les chercheurs ont réalisé une troisième expérience pour laquelle un élément du robot a été remplacée par un morceau plus long et déformé, l'idée étant de simuler une partie accidentée. Le robot a réussi à détecter la partie modifiée et s’est reprogrammé tout seul. La reprogrammation a demandé seulement 10% de données en plus. Le bras « accidenté » a ensuite été capable de réaliser la tâche de ramassage/placement avec seulement une petite perte de performance.

 

La conclusion des chercheurs

Pour les chercheurs, la réalisation de représentations de soi-même sera essentielle pour que les robots franchissent les limites de l’IA restreinte ( effectuer un petit nombre de tâches précises) et parviennent à l’IA générale (posséder des capacités cognitives comparables à celles du cerveau humain). Selon leur opinion, la séparation du « soi » et de la tâche, qu’ils ont essayé de reproduire dans leur expérience est, dans l’évolution de l’espèce humaine,  à l’origine de la conscience.

 

COMMENTAIRE DE LA REDACTION DE MEDECINE ET ROBOTIQUE

Les chercheurs new-yorkais ont présenté leur travail comme la réussite d’un robot qui a appris seul, parti de zéro, sans aucune notion de physique ou de géométrie. La nouvelle a été largement diffusée et commentée sur les réseaux sociaux. A leur suite, de nombreux commentateurs y ont vu l’apparition de la conscience des machines. 

Qu'en est-il réellement? 

Notre première interrogation porte sur le point de départ de l'apprentissage. Peut-on affirmer, comme le font les chercheurs, que le robot apprend à partir de zéro? Certes, aucun logiciel de physique ni de géométrie n’a été implémenté mais le bras robotisé n’est pas un objet inerte. L'apprentissage s'est fait par, et au moyen d'un système informatique auquel on a ajouté des algorithmes de deep learning.  L’informatique a été un élément essentiel de cette expérience et en a été le point de départ.

Ecrire que le robot a appris de zéro, c'est oublier un peu vite l’informatique. Les algorithmes d'apprentissage profond sont en effet des outils élaborés. En amont de leur expérience, les chercheurs ont réalisé une programmation informatique complexe pour orienter les algorithmes vers les tâches à accomplir. Elle ne représente certainement pas zéro et il est tout à fait regrettable qu'elle soit ainsi occultée dans la discussion des auteurs.

Cette expérience constitue une indéniable avancée technique mais il nous semble que le seul résultat scientifique qui puisse être retenu est le rôle efficace que peut jouer l'intelligence artificielle, l'apprentissage profond en particulier, dans l'élaboration de nouveaux robots.

Si la prouesse technique est indéniable, il ne faut pas extrapoler. Les chercheurs s'aventurent dans le champs des neurosciences et font de surprenantes comparaisons avec la biologie du cerveau. Ils sous-entendent que leurs algorithmes d'apprentissage ont donné au robot un « soi », détaché de l’action. Ils reprennent l'une des hypothèses en cours en sciences psychologiques pour affirmer que cette dissociation entre le "soi", capable de former une image de soi-même, et l'action est à l'origine de l'apparition de la conscience chez les humains. En réalité, nous ignorons totalement comment la conscience est arrivée aux   êtres vivants. Neuroscientifiques et anthropologues ont formulé de nombreuses hypothèses, toutes dignes d’intérêt, mais, à ce stade de nos connaissance scientifiques, aucune conclusion ne peut être avancée. Dès lors, comment affirmer avoir reproduit une entité dont on ignore presque tout?

Chacun appréciera la conclusion des chercheurs selon ses opinions et sa sensibilité personnelles. Pour notre part, nous estimons que les algorithmes d'apprentissage profond introduits dans ce bras robotisé ne forment pas un esprit conscient. Il ne sont rien d'autre que des composants techniques, tout à fait humains, issus des sciences et des techniques du XXIe siècle. Le robot des chercheurs de Columbia n’a rien imaginé et n’a pas pris conscience de lui-même. Il n’a pas de « soi », terme que nous continuerons à réserver à la psychologie humaine et animale. Attribuer des capacités cérébrales à ce bras robotisé est un anthropomorphisme.

 

 

 

 

 

 

 

 Lien vers la publication de Science Robotics que nous avons commentée

https://robotics.sciencemag.org/content/4/26/eaau9354/tab-figures-data

 

Video de présentation de la publication de Science Robotics (en anglais)

 

POUR EN SAVOIR PLUS

Sur l'apprentissage machine

LEXIQUE DE L'IA EN SANTE : QU'EST-CE QUE L'APPRENTISSAGE MACHINE?

 

Sur l'apprentissage profond (deep learning)

LEXIQUE DE L'IA EN SANTE: QU'EST-CE QUE LE DEEP LEARNING ?


18/04/2019
0 Poster un commentaire

MICRO-ROBOTS CIRCULANTS: UN TOURNANT POUR LA MEDECINE? PREMIERE PARTIE

Le journal Science Robotics a publié dans son édition du 22 novembre 2017, le résultat d'une série d'expériences menées conjointement par des chercheurs chinois et britanniques des universités de Hong Kong, Manchester et Edimbourg. Ils ont réussi à fabriquer des robots à partir d'une micro-algue qui a été recouverte de nanoparticules magnétiques. Ces Robots Magnétiques Bio-Hybrides, capables de circuler dans les liquides biologiques (sang, urine, liquide gastrique) sont facilement repérables par imagerie médicale, biodégradables et peu toxiques. Ils pourraient être utilisés pour réaliser du traitement ciblé, en particulier dans les cancers. De surcroit facile à fabriquer, ils pourraient être produit à large échelle à moindre coût. 

 

La possibilité de fabriquer des micro-robots médicaux téléguidés capables de circuler  dans le corps humain pour en atteindre les endroits les plus inaccessibles est à l’étude depuis plusieurs années. Mais les chercheurs étaient jusqu'à présent confrontés aux défis majeurs de la biodégradabilité et de la toxicité pour les organismes biologiques. Les auteurs annoncent avoir trouvé des solutions techniques qui pourraient bien s'avérer décisives et ouvrir la voie aux applications cliniques. 

Nous présentons et commentons cette recherche dans un article en deux parties. 

 

PREMIERE PARTIE: LE RESUME DE LA PUBLICATION DES CHERCHEURS.

Comment est fabriqué le robot ? Comment fonctionne -t-il? 

 

LA COMPOSITION DU ROBOT

Pour fabriquer le robot, l’équipe de recherche a transformé une algue, structure biologique, en corps magnétique. L’expression robot bio-hybride a été choisie pour le dénommer car il associe 2 composés, l’un vivant et l’autre minéral.

La première minute de la video ci-dessous nous le montre en mouvement dans de l'eau lors d'une expérience de laboratoire. Comme on peut le voir il a la forme d'un petit vers, d'environ 100μm.

 


 

 

 

LE COMPOSE VIVANT: LA MICRO-ALGUE Spirulina Platensis. 

Les chercheurs en cancérologie connaissent déjà cette micro-algue car elle contient un composé capable de tuer les cellules dans la leucémie, le carcinome à petites cellules ou encore l'adénocarcinome du colon. Cette toxicité de la micro-algue est spécifique, c’est à dire qu’elle agresse les cellules cancéreuses sans endommager les cellules normales.  

L’algue possède 2 autres propriétés intéressantes exploitées par les chercheurs. Elle est naturellement fluorescente, ce qui permet de la repérer facilement par imagerie médicale. La taille de son corps peut être modifiée et ajustée pour répondre au mieux aux impératifs de la fabrication du robot. 

 

LE COMPOSE MINERAL: LA MAGNETITE ( FORMULE: Fe3O4)

Pour fabriquer le robot, les chercheurs ont enduit les algues de nanoparticules de Fe3O4. Elles se lient aux molécules biologiques de surface sans altérer leur structure. La magnétite capte l’énergie magnétique, transformant l’algue en petit robot téléguidé. 

 

Le Fe3O4 est neutre biologiquement, c’est à dire qu’il est peu agressif pour les cellules humaines. Ses propriétés permettraient aussi d’ajouter de petites structures capables de se lier à des molécules pharmacologiques. La fonction du nanorobot pourrait ainsi évoluer vers la thérapeutique ciblée. 

 

 

NANO PARTICULE : particule de diamètre inférieur ou égal ( pas plus grand ) que 10- 9 m = un mètre divisé par 1 milliard 
MAGNETISME. Propriétés physique des aimants. Utilisé en médecine pour faire de l’imagerie par résonance magnétique ( IRM). Elle possède un grand pouvoir de pénétration au sein du corps humain et peut être transmise au robot sans fil, raison pour laquelle elle a eu la préférence des chercheurs parmi les autres choix énergétiques à leur disposition. 

 

QUELS ETAIENT LES PROBLEMES A RESOUDRE POUR LES CHERCHEURS? 

Premièrement, pour naviguer dans les liquides biologiques, il est nécessaire de pouvoir suivre le déplacement du robot en temps réel. Pour cela il faut disposer de procédés d’imagerie médicale non invasive. Les chercheurs ont utilisé l’IRM (Imagerie par Résonance Magnétique) et la fluorescence naturelle de l’algue Spilurina Platensis. 

Deuxièmement, ces robots doivent être biodégradables c’est-à-dire, soit s'auto-détruire, soit être éliminé par l’organisme sans causer d’effets secondaires. 

Troisièmement, l’essaim de micro-robots doit pouvoir circuler dans le corps sans endommager les cellules normales. 

 

COMMENT DEPLACER LE MICRO-ROBOT ? 

Son mouvement est hélicoïdal. Il ne se déplace pas seul mais en grand nombre sous forme d'essaim de près d’un million de robots. 

L’essaim est piloté grâce à un aimant placé à distance du corps de l'animal. Les caractéristiques physiques du champ magnétique envoyé à l'essaim sont déterminées avec précision selon les propriétés magnétiques du robot, sa taille et sa forme. Pour la bonne compréhension des expériences présentées ici, il faut souligner que le champ magnétique qui mobilise le robot n'est pas le même que celui utilisé pour faire l’Imagerie par Résonance Magnétique. 

 

LE DEPLACEMENT AU SEIN DES LIQUIDES BIOLOGIQUES

Les chercheurs ont obtenu des résultats in vitro très satisfaisants dans plusieurs liquides biologiques: eau, sang, liquide gastrique, urine, huile de cacahuète visqueuse. 

Mais seul le liquide gastrique a été testé in vivo chez le rat. Le robot est superparamagnétique, ceci veut dire qu’il cesse d’être magnétique lorsqu’on arrête le champ énergétique. Ainsi, les robots ne peuvent pas se regrouper et former des conglomérats qui viendraient obturer les vaisseaux sanguins et provoquer des accidents médicaux, ce qui est essentiel pour assurer la sécurité de futures applications cliniques.    


 

IN VITRO ET IN VIVO

IN VITRO: expériences réalisée en milieu artificiel, en laboratoire

IN VIVO: expériences réalisées dans l'organisme vivant


 

 

COMMENT ONT ETE CONDUITES LES EXPERIENCES DE DEPLACEMENT ? 

Les expériences de télé-guidage ont été menées dans l'estomac chez le rat, en laboratoire. A ce jour, il n'y a pas eu d'essai chez l'être humain. 

Après l’avoir introduit dans l’estomac du rat, les chercheurs ont repéré l’essaim par IRM. Ils ont choisi de lui faire traverser l’estomac jusqu'à la zone sous-cutanée recouvrant le ventre de l’animal. Pour cela ils ont appliqué un champ magnétique depuis un aimant situé à proximité. 

Deux imageries à 5 min et 12 min ont été réalisées. Elles ont chacune repéré l’essaim à la position voulue. 

Les chercheurs ont cependant tenu à prouver que le déplacement était bien provoqué par le champs magnétique externe. En effet, d’autres causes aurait pu faire bouger le robot, le mouvement naturel du tube digestif - ou péristaltisme- par exemple. 

Pour le vérifier, ils ont introduit un essaim de robots dans un groupe contrôle, sans appliquer de champ magnétique. L’essaim n’a pas bougé leur donnant la preuve recherchée.

Les auteurs ont ainsi pu conclure qu’il était possible de propulser un essaim de robot bio-hybride au travers d’un estomac de rat et de suivre son déplacement par imagerie par résonance magnétique. 

 

LA BIO-DEGRADATION. 

Elle est dépendante des propriétés de Fe3O4 et du temps mis à enduire l’algue. Les temps sont choisis en fonction de l’application voulue: imagerie, thérapeutique..

Les temps de dégradation décrit dans les expériences vont de 24 à 72 h mais certains micro-robots persistent jusqu’à 168h si l’enduit est trop épais. 

 

LA TOXICITE DU ROBOT-BIOHYBRIDE ENVERS LES CELLULES CANCEREUSES

Dans les expériences menées par les chercheurs, le robot a été mis en contact avec des cellules humaines normales ( fibroblastes) puis avec des cellules de cancer du foie et de l’utérus. La cytotoxicité s’est avérée faible pour les cellules normales avec 80 % des cellules viables à 48h et élevée pour les cellules cancéreuses avec, à 48h d’exposition,  10% de survivantes dans le cancer du col de l’utérus et 50% dans le cancer du foie. 

Le robot étant composé de l’algue et de magnétite (Fe3O4), il était important de vérifier la provenance de la toxicité. Les chercheurs ont donc mené des expériences avec Fe3O4 seul. La toxicité de celui-ci est apparue marginale. C’est donc bien l’algue qui est toxique pour le cancer. Mais ces effets cytotoxiques apparaissent moins importants si la couche de Fe3O4 est plus épaisse. 

La toxicité de l’algue Spirulina Platensis envers les cellules cancéreuses est en fait déjà connue des scientifiques. Elle est provoquée par l’un des composants de sa membrane corporelle dénommé C-phyocyanine. Il interfère avec des mécanismes biologiques qui n’existent pas dans la cellule normale, entraînant  la mort des cellules cancéreuses tout en préservant les cellules normales.  

 

SUITE DE CET ARTICLE: LE COMMENTAIRE DE LA REDACTION DE MEDECINE ET ROBOTIQUE

LES MICRO-ROBOTS CIRCULANTS VONT-ILS OUVRIR UNE NOUVELLE PAGE DE L'HISTOIRE DE LA MEDECINE?

 

 

 

Référence:

Multifunctional biohybrid magnetite microrobots for imaging guided therapy

 

 

 

VIdeo de présentation de l'étude (en anglais) sur le site de Science Robotics 

http://www.sciencemag.org/news/2017/11/robot-made-algae-can-swim-through-your-body-thanks-magnets


23/12/2017
1 Poster un commentaire

COMPRENDRE L'IA EN MEDECINE N°1. GOOGLE PREDIT LE RISQUE CARDIO-VASCULAIRE

 

ll ne se passe plus de mois sans qu'un nouveau logiciel issu de l'intelligence artificielle ne soit déclaré "meilleur que les médecins" et présenté au public. Que signifie vraiment cette formule? Peux-t-on réellement implanter des systèmes automatiques en lieu et place des médecins? 

Dans cette rubrique nous rendons compte d'études dont les résultats sont généralisables à l'ensemble de l'intelligence artificielle médicale. En décrivant les faits scientifiques, nous espérons mettre à disposition du plus grand nombre des informations de fond permettant à chacune et chacun d'appréhender le débat de société entourant l'IA médicale.

 

GOOGLE a récemment annoncé avoir développé une intelligence artificielle capable de prédire le risque cardio-vasculaire à partir d'une simple photographie de rétine. Nous ouvrons notre série "comprendre l'IA en médecine" avec le compte-rendu de la publication scientifique parue dans la revue Nature Biomedical Engineering en mars 2018. 

Quel est le travail exécuté par les chercheurs? Quels sont leurs résultats? Comment peuvent-ils s'intégrer dans la médecine du quotidien? Réponse dans les lignes qui suivent. 

 

LA METHODE DE L'ETUDE

La rétine change au cours de la vie. Elle se modifie en fonction de certains facteurs: âge, niveau de pression artérielle, tabagisme, taux de cholestérol, diabète, obésité…autant de facteurs de risque cardio-vasculaires.

Les chercheurs ont voulu montrer qu’un algorithme d’intelligence artificielle utilisant le « deep-learning » était capable d’extraire ces informations à partir d’une simple photographie de rétine. 

Ils ont utilisé 2 bases de données issues de 2 études de surveillance médicale. La première est britannique. Elle a été conduite entre 2006 et 2010.  Plus de 67 000 fonds d’oeil ont été faits parmi 500 000 personnes. Un questionnaire relevait les facteurs de risque cardio-vasculaire et les patients devaient mesurer leur pression artérielle par auto-mesure.  La seconde est une étude américaine de suivi de la rétinopathie diabétique conduite entre 2007 et 2015 qui a permis de recueillir un peu moins de 250 000 fonds d'oeil. 


 

QU'EST-CE QUE LE DEEP LEARNING? 

En nous basant sur les explications fournies par les chercheurs de GOOGLE, essayons d'expliquer le deep-learning de façon intelligible pour le profane. 

 

LES MOTS-CLEFS: 

-Pas de programmation directe des solutions: l'ordinateur les retrouve lui-même 

-Apprentissage à partir d'exemples

-Un algorithme est une succession de calculs mathématiques 

-Le deep-learning est une succession d'équations mathématiques, fausses au début, progressivement corrigées par la machine elle-même

 

Le Deep learning ( apprentissage profond en français) est l’une des familles de technique d’apprentissage- machine. Avec cette méthode il n’est pas nécessaire de faire entrer manuellement les solutions dans la machine. Elle peut apprendre sans être programmée directement.  C’est son grand avantage. 

Il faut donc retenir que l'on ne donne pas les solutions d'avance à l'ordinateur. On lui montre des exemples, c'est-à-dire des images pour lesquelles la réponse est connue. Il va apprendre à partir de ces exemples. 

 

Prenons le cas de la rétine de fumeur. Dans la base de données, tous les fumeurs sont identifiés. 

N'oublions pas que les données utilisées proviennent de 2 études épidémiologiques médicales publiées il y a quelques années. Toutes les réponses étaient connues d'avance. Le but de l'étude était de voir si l'intelligence artificielle était capable de les retrouver.  

Les chercheurs vont créer un algorithme qui recherche les fumeurs. Puis, ils montrent les photographies de rétine de fumeur à l'ordinateur. Lorsque l'ordinateur voit juste, on lui indique. Lorsqu'il voit faux, on lui indique également. L'ordinateur retient ce qu'il fait et mémorise les résultats de ses actions. Ainsi, après une phase d'entraînement, il est capable d'identifier les caractéristiques communes à toute rétine de fumeur. Il peut maintenant identifier un fumeur ou un non-fumeur à partir de n'importe quelle photographie de rétine. 

 

 Reconnaître une image : une opération mathématique 

Comme toute programmation informatique, le deep-learning est une succession de calculs mathématiques. On parle de couches de calcul. Lorsque l'on montre les exemples à l'ordinateur, il exécute ces "couches de calcul" et ajuste lui-même les paramètres des équations mathématiques pour retrouver la bonne solution. 

 

Pour désigner ces actions, les ingénieurs parlent de "réseau neuronal profond "( deep-neural network en anglais). Il est donc composé d’une séquence d’opérations mathématiques que l’on applique à une donnée d’entrée, par exemple la valeur du pixel d’une image. Le deep-learning est le procédé par lequel le modèle apprend à corriger ses erreurs pour arriver à une solution exacte. 

Au début, le réseau neuronal est programmé au hasard. Puis, pour chaque image, la prédiction donnée par le modèle est comparée à un exemple dont le résultat exact est connu. Le modèle va alors progressivement corriger ses erreurs pour se mettre en adéquation avec l’exemple. Le processus est répété jusqu’à ce que les équations corrigées soient capables de trouver la solution exacte pour n’importe quelle image. 

 

L’expression « apprendre de ses erreurs » n’a jamais été aussi vraie qu’avec le deep-learning ! 


 

 QUELS SONT LES RESULTATS RETROUVES PAR LES CHERCHEURS ? 

1. Retrouver la présence de facteurs de risque cardio-vasculaire 

Les chercheurs ont utilisés les renseignements suivants présents dans les 2 bases de données: âge, genre, ethnie, l’indice de masse corporelle, la pression artérielle, le taux d’hémoglobine glyquée, le statut fumeur ou non. 


INDICE DE MASSE CORPORELLE: à partir du poids et de la taille d'une personne, on mesure l'indice de masse corporelle (IMC) qui permet de savoir si il y a un surpoids ou au contraire un état trop maigre

HEMOGLOBINE GLYQUEE: mesure biologique obtenue par une prise de sang qui permet d'évaluer le taux de sucre sur les 3 derniers mois. Utilisé dans le suivi du diabète

 


 

Les chercheurs ont évalué la capacité de prédiction de leurs algorithmes en les comparant avec les résultats connus de la base de données. Le modèle d'intelligence artificielle s'avère très efficace pour prédire l’âge.

La pression artérielle systolique, l’indice de masse corporelle et l’hémoglobine glyquée sont également bien prédits mais le  modèle est moins précis. 

 

2. Calculer un risque d'événement cardio-vasculaire grave dans les 5 ans 

Ensuite, les chercheurs ont entraîné le modèle à prédire la survenue d’un « accident cardio-vasculaire majeur » dans les 5 ans qui suivent le recueil des renseignements. Cette information n’était disponible que dans une seule des bases de données, UK Bio-bank. 631 patients, sur les 48 101 en ont été victimes. Les chercheurs ont donc voulu savoir si il aurait été possible de prévenir la survenue de ces accidents cardio-vasculaires. Pour cela ils ont calculé la probabilité de décès par le SCORE et l’ont comparé à la prédiction donnée par leur algorithme. Le SCORE était capable de prédire l’accident dans 72% des cas, l’algorithme dans 70% des cas. Les 2 méthodes apparaissent ainsi équivalentes. 



 

QU'EST-CE QUE LE SCORE? 

SCORE est l'acronyme de Systematic COronary Risk Evaluation (Evaluation du risque coronarien systématique). Il a été conçu sous l’égide de la Société Européenne de Cardiologie et publié en 2003. Il s'agit d'un outil de prévention médicale. Le médecin peut estimer le risque de décès par maladie cardio-vasculaire dans les 10 ans pour une personne donnée et proposer les mesures adaptées pour l'éviter. Il se présente comme un tableau à 4 entrées, un pour les hommes et un pour les femmes. On place le patient dans une case en fonction de son âge, de son taux de cholestérol, de sa pression artérielle systolique et du statut fumeur ou non fumeur. On lit le pourcentage de risque de décès par maladie-cardiovasculaire dans les 10 ans. Pour calculer le SCORE, il est donc nécessaire de réaliser une consultation médicale avec interrogatoire et une prise de sang. 

 

Ci-dessous, tableau de calcul du SCORE

 

 

SCORE.jpg


3. Quelles régions de la photographie de rétine ont-elles été utilisées par l'algorithme d'intelligence artificielle?  

 

Les algorithmes sont des calculs mathématiques qui permettent de déterminer si une image de rétine est associée à un paramètre (ici, l’âge, la pression artérielle, l’hémoglobine glyquée, fumeur ou non fumeur, l’indice de masse corporelle). Mais les chercheurs n’indiquent pas par avance à la machine quelle région de la photographie il faut regarder pour déterminer le paramètre. En s’entraînant, elle va trouver par elle-même la région à regarder pour déterminer telle ou telle donnée. 

Les chercheurs ont réussi à retrouver quelles régions ont été utilisées par la machine. Pour l’hémoglobine glyquée, il s'agit des pourtours vasculaires; pour le genre, du disque optique, des vaisseaux et de la macula. Pour la pression artérielle et l’indice de masse corporelle, il n’y avait en revanche pas de zone spécifique. Les chercheurs en déduisent que les effets de ces 2 paramètres sont diffus dans l’oeil. 

 

Nous visualisons ainsi un peu mieux ce qu’est le deep-learning médical. La machine apprend réellement par elle-même puisqu’elle part d’équations mathématiques qui lui permettent de relier une image à un paramètre, un peu comme dans un exercice de langue étrangère où il faut relier une image avec le mot correspondant. Au début, elle commet beaucoup d'erreurs. Mais, au fur et à mesure de son entraînement, elle va être capable de réduire les erreurs et de cibler les zones de la rétine utiles pour répondre à la question posée. 

 

Ci-dessous: les photographies de rétine utilisées dans l'étude

 

2.jpg

 

LA DISCUSSION DES AUTEURS. COMMENT INTERPRETENT-ILS LEURS RESULTATS? 

Les auteurs se déclarent satisfaits des résultats obtenus. L’application du deep-learning à des images de fond d’oeil isolées a permis d’identifier plusieurs facteurs de risque cardio-vasculaire: âge, genre et pression artérielle systolique. 

Ces éléments étant des composants essentiels des scores de calcul de risque de maladie cardio-vasculaire grave, les chercheurs ont émis l’hypothèse que leurs algorithmes pouvaient les calculer directement. Ceci semble confirmé par le résultat de leur deuxième expérience au cours de laquelle ils ont réussi à composer un algorithme de prédiction qui obtient la même performance que le score européen. 

 

Mais les auteurs soulignent également une importante limite de leur travail. En effet, la taille des échantillons serait trop faible. Des effectifs plus grands seraient plus adaptés au deep-learning. Les résultats gagneraient en fiabilité. 

 

QUELLE UTILITE DANS LA MEDECINE DU QUOTIDIEN? LE COMMENTAIRE DE MEDECINE-ET-ROBOTIQUE

Dans la pratique quotidienne, ce type d'intelligence artificielle apparaît être surtout un instrument de médecine de prévention. L'élément nouveau est de pouvoir retirer des renseignements précis sur une personne par une simple photographie de rétine, facile à obtenir. Si le coût de l'appareil est raisonnable, on pourrait imaginer une installation massive dans des structures collectives comme les centres de santé ou les hôpitaux, avec un résultat transmis au médecin traitant. Cette innovation pourrait donc élargir considérablement nos capacités de dépistage des maladies cardio-vasculaires.

La limite décrite par les auteurs appelle un commentaire. Selon eux, la taille des effectifs utilisés dans leur étude est trop faible. Ceci pourrait être un véritable obstacle pour le deep-learning en médecine.

En effet, pour l'épidémiologie médicale, les effectifs des 2 bases de données utilisées par les chercheurs sont importants. En dehors des grandes séries de suivi des maladies chroniques qui rassemblent les données de dizaines de milliers de personnes, il sera difficile d'obtenir davantage. 

Si elle n'était pas surmontée, cette contrainte pourrait interdire à l'IA de se développer pleinement en médecine. 

 

Référence:https://www.nature.com/articles/s41551-018-0195-0.epdf?author_access_token=YWBi0EzCgfAVb_S540xl-tRgN0jAjWel9jnR3ZoTv0OMsbBDq-7d5VZef-dAA8S4kHGY_hXONc93gwXXjuO908b_ruUDVkgB5jW3RnvvRdLFLmvpTsPku5cXZoTEtr09fPvTK40ZbWzpoOGfLab-NA%3D%3D

 

LES AUTRES ARTICLES DE LA RUBRIQUE

COMPRENDRE L’INTELLIGENCE ARTIFICIELLE EN MEDECINE N°2: DEPISTER LE MELANOME

 

 

COMPRENDRE L'IA EN MEDECINE N°3: DIAGNOSTIQUER DES METASTASES DE CANCER DU SEIN 


02/05/2018
0 Poster un commentaire