MEDECINE ET ROBOTIQUE

MEDECINE ET ROBOTIQUE

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

 DEEP LEARNING

En français: apprentissage profond

 

Jusqu’en 2015 environ, le sujet technologique, lorsqu'il était traité par les médias grand public, était dominé par la robotique. Le terme intelligence artificielle était moins présent. C’est l’apprentissage profond qui l’a projeté sur le devant de la scène. Cette méthode d’apprentissage machine est à l’origine de toutes les prouesses médiatisées de l’intelligence artificielle. Selon certains experts, l’apprentissage profond -qui, indiscutablement, représente un palier technologique- nous ferait entrer  dans une nouvelle ère d’automatisation. La santé serait particulièrement concernée. Plusieurs professions, telle la radiologie, seraient vouées à disparaître, purement et simplement. 

Comprendre les principes techniques de l’apprentissage profond est donc essentiel pour appréhender un débat public qui met en discussion l'avenir des professions de santé. 

 

L’APPRENTISSAGE PROFOND : AVANT TOUT UN PROGRES DE L’INFORMATIQUE

 

L’apprentissage profond est une méthode d’apprentissage machine qui existe depuis le milieu des années 1980. Jusqu’au début des années 2010, elle est restée marginale, cantonnée au domaine de la recherche car elle repose sur une longue succession de calculs mathématiques dont la durée était incompatible avec des applications pratiques.

L'apprentissage profond nécessite 2 conditions qui ne se sont réalisées qu'à la fin de la décennie 2000. Une vitesse de calcul des ordinateurs adéquate, suffisamment rapide pour réaliser les opérations demandées par l'apprentissage profond n'a pu être obtenue qu'avec les progrès récents des processeurs et des cartes graphiques. D'autre part, il fallait disposer de bases de données numériques de taille suffisante pour entraîner les machines. Elles ont été fournies par le "big data", (littéralement, la grande donnée en français, que l'on pourrait aussi traduire par la donnée massive). Le big data correspond aux ensembles volumineux de données numériques accumulés par l'activité informatique.

Ainsi, ce sont les nouveaux processeurs et cartes graphiques associés au big data qui ont rendu possible l'essor de l'apprentissage profond. La rupture technologique actuelle a donc plus à voir avec les progrès de l'informatique qu'avec ceux de l'intelligence artificielle elle-même. 

 


 QUELQUES INDICATIONS AVANT DE COMMENCER

-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 permet de développer des réseaux de neurones artificiels


COMMENT FONCTIONNE L'APPRENTISSAGE PROFOND? 

Prenons l'exemple du système entraîné par GOOGLE pour dépister le risque cardio-vasculaire à partir d'une photographie de rétine (VOIR L'ARTICLE COMPRENDRE L'INTELLIGENCE ARTIFICIELLE EN MEDECINE N°1). 

Les chercheurs disposaient de photographies de rétine provenant de 2 études épidémiologiques publiées il y a quelques années. Les facteurs de risque et le devenir des patients photographiés étaient répertoriés. Ceci leur a permis de composer une base de données dites étiquetées, c'est-à-dire que pour chaque rétine on a associé les facteurs de risque porté par la personne photographié. Les réponses étant connues d'avance, le but de l'étude était de voir si l'intelligence artificielle était capable de retrouver les facteurs de risque (diabète, fumeur ou non fumeur, hypertension artérielle, âge, obésité). 

Pour cela, les chercheurs  créent un algorithme qui prédit la présence d'un facteur de risque. L'algorithme démarre avec une donnée d'entrée détectée par l'ordinateur, par exemple la valeur du pixel d'une image. Au début, il 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 (par exemple fumeur ou non fumeur, personne de telle tranche d'âge...). Lorsque l'ordinateur voit juste, on lui indique. Lorsqu'il voit faux, on lui  indique également. L'ordinateur retient ce qu'il fait, mémorise les résultats de ses actions et corrige progressivement 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. 

Le deep-learning est donc un procédé par lequel le modèle apprend à corriger ses erreurs pour arriver à une solution exacte. 

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

 

D’où vient le terme « profond » ?

L'apprentissage profond est une succession de calculs mathématiques. On parle de couche de calcul car chaque opération permet d’obtenir une étape dans la réalisation de la tâche souhaitée. Chaque couche va ajouter sa contribution pour construire l’action finale. 

Lorsque l'on montre des exemples à l'ordinateur, il exécute des "couches de calcul" et ajuste lui-même les paramètres des équations mathématiques pour retrouver la bonne solution. 

Donnons une illustration en reconnaissance d’images avec un système entraîné à reconnaître une voiture. Sur une couche il apprend à reconnaitre des angles, la suivante des lignes, la suivante des formes pour, à la fin atteindre son objectif qui est de reconnaître une voiture. 

On parle de profond pour évoquer cette succession de couches de calculs qui empilent leurs résultats les uns à la suite des autres avant d'atteindre l’objectif fixé. 

 

QUELLES APPLICATIONS DU DEEP LEARNING EN MEDECINE ?

Toute base de données numérisée étiquetée peut donner lieu à une exploitation par apprentissage profond et aboutir au développement d'intelligences artificielles.

Les applications potentielles, qu'il s'agisse d'automatisation de tâches ou de production de nouvelles connaissances sont multiples et intéressent tous les métiers de la santé. 

Automatisation de tâches

A ce jour, les applications médicales réalistes susceptibles d'investir la pratique quotidienne sont essentiellement issues de la reconnaissance d'images. Nous avons cité plus haut l'IA de GOOGLE capable d'identifier des facteurs de risque cardio-vasculaires sur une simple photographie de rétine. Ce type de système peut être multiplié à l'infini dès lors qu'il existe une base de données pour l'entraîner. 

La radiologie est naturellement la spécialité qui sera la plus impacté. De nombreux logiciels d'analyse automatique de radiologie standard, de scanner ou d'IRM entraînés par apprentissage profond devraient arriver sur le marché dans un délai relativement bref. Déjà, la FDA, autorité de santé américaine, a délivré plusieurs autorisation de commercialisation pour des dispositifs intelligents artificiels capables d'interpréter des images médicales et de d'établir des diagnostics de façon totalement autonome. 

 

Les applications issues de l'apprentissage profond devraient également être très intéressantes en médecine de prévention. Un exemple est le système déjà cité du dépistage de facteurs de risque cardio-vasculaire sur photographie de rétine. Ce type de système peut être développé pour de nombreuses maladies. On peut prédire sans trop de risque de se tromper qu'il sera relativement facile de multiplier de tels logiciels de dépistage et de les implanter au contact du grand public. 

 

Production de connaissances nouvelles

C'est probablement l'application la plus fascinante. L'apprentissage profond permet d'explorer une bases de données en recherchant des similitudes et des corrélations entre les différents éléments qui la constituent. Il peut donc révéler des liens qu'on ne connaissait pas auparavant. Reprenons l'exemple déjà cité de l'analyse de photographie de rétine.

Le système a identifié lui-même, seul, les zones qu'il fallait regarder pour détecter les facteurs de risque. Le concepteur donne à la machine son point de départ (la photographie de rétine) et le point d'arrivée (la rétine d'un fumeur connu). Entre les 2, la machine crée elle-même son propre chemin à partir de l'algorithme fourni par le concepteur. Rappelons-nous que cet algorithme de départ est faux, car approximatif et que le but de l'apprentissage profond est de corriger cet algorithme. La façon dont la machine va parvenir au résultat n'est donc pas connue d'avance. Elle détermine elle-même les zones d'intérêt à observer pour parvenir à l'identification des facteurs de risque. La science médicale ignorait leur existence. C'est l'IA qui les a découvertes. 

L'apprentissage profond est donc une méthode particulièrement efficace pour explorer une base de données. Ses applications se retrouveront en recherche médicale mais aussi en médecine de terrain qu'il s'agisse de prévention, de diagnostic ou de thérapeutique.   

 

L'APPRENTISSAGE PROFOND PEUT-IL PRODUIRE UN MEDECIN VIRTUEL?

La réponse est clairement non. En effet, l'apprentissage profond est une technique couteuse en ressources. Elle nécessite une importante consommation énergétique et de larges bases de données correctement étiquetées. Nous aurons l'occasion, dans la suite de ce lexique, de revenir sur les limites technologiques de l'apprentissage profond et de l'IA en général.

A ce stade, l'apprentissage profond ne peut produire que des logiciels spécialisés dans l'accomplissement d'un nombre limité de tâches. Produire un "médecin virtuel" nécessiterait la création d'une entité mécanique capable tout à la fois, d'interroger une personne, de l'examiner, de prescrire des examens complémentaires, d'interpréter ces examens complémentaires, puis de prescrire un traitement. Ceci demanderait une capacité de coordination des actions qui est totalement inaccessible aux technologies d'intelligence artificielle. 

 

ASPECTS MEDICO-JURIDIQUES DU DEEP-LEARNING: LE PROBLEME DE LA "BOITE NOIRE"

Nous avons expliqué plus haut qu'entre son point de départ et son point d'arrivée, l'apprentissage profond déterminait lui-même son chemin. C'est un atout scientifique puisqu'il permet d'accéder à des connaissances nouvelles mais c'est aussi un écueil juridique. C'est le problème de la "boîte noire". En effet, la complexité des calculs réalisés par la machine pour parvenir à son résultat fait qu'il est quasiment impossible de remonter la chaîne de décision. 

Prenons l'exemple d'un système d'interprétation automatique de scanners cérébraux recherchant des tumeurs. Un médecin radiologue peut expliquer la façon dont il est parvenu à sa conclusion. Premièrement, il lit la demande de scanner qui indique le contexte clinique et les raisons pour lesquelles le médecin du patient suspecte une tumeur du cerveau et demande cet examen. Puis il interprète les images en décrivant la forme de la lésion observée, ses caractéristiques ( aspect hétérogène, présence d'oedème autour de la lésion...). Tout ceci aboutit à une conclusion qu'il peut argumenter. Il peut donc expliquer ses conclusions. 

Tel n'est pas le cas des applications issues de l'apprentissage profond dont les conclusions proviennent d'algorithmes mathématiques auto-corrigées qui ne reproduisent pas les schémas d'observation humains connus. 

L'existence de cette "boîte noire" est un obstacle à l'identification des responsabilités professionnelles en cas de problème. En effet, si la chaîne de décision ne peut être déterminée, on ne peut savoir si il y a eu erreur du logiciel ou erreur de la personne qui a utilisé le logiciel. Il sera donc difficile de discerner la responsabilité du concepteur de l'IA de celle du médecin utilisateur. 

 

 

 

RESSOURCES UTILISEES POUR REDIGER CET ARTICLE

 

LIVRE

Jean-Claude Heudin. Comprendre le Deep Learning. Une introduction aux réseaux de neurones.  Sciences e-book, Paris, Seconde édition: décembre 2016

 

ARTICLE DE LIVRE

Nicolas Ayache. L'imagerie médicale à l'heure de l'intelligence artificielle. In: Santé et intelligence artificielle. Ouvrage coordonné par Bernard Nordlinger et Cedric Villani. CNRS EDITIONS. Paris, 2018 

Johan Brag. L'intelligence artificielle dans l'imagerie médicale. In: Santé et intelligence artificielle. Ouvrage coordonné par Bernard Nordlinger et Cedric Villani. CNRS EDITIONS. Paris, 2018

 

ARTICLE DU BLOG MEDECINE ET ROBOTIQUE

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

 

UNE INTELLIGENCE ARTIFICIELLE AUTORISEE A ETABLIR DES DIAGNOSTICS MEDICAUX SANS INTERVENTION HUMAINE

 

 

 

 

 

 

 

 



15/12/2018
0 Poster un commentaire

Inscrivez-vous au site

Soyez prévenu par email des prochaines mises à jour

Rejoignez les 17 autres membres