INTELLIGENCE ARTIFICIELLE EN SANTE: BILAN DE L'ANNEE 2018
Pour les professionnels de santé, 2018 aura été celle de la découverte de l'IA médicale.
Jusqu’au début des années 2010, les technologies d’IA n’étaient pas en mesure de proposer au monde de la santé des applications réalistes, soit par insuffisance de maturité technique, soit par un rapport coût / prestation trop élevé.
L’avènement, à compter de 2012-2013, du deep learning, ou apprentissage profond, a tout changé. Cette méthode d’apprentissage machine crée une rupture qui ouvre de vraies perspectives d'innovations médicales basées sur l'intelligence artificielle.
En ce début d’année 2019, il n’existe pas encore d’intelligence artificielle qui serait largement diffusée et qui aurait bouleversé les pratiques et les organisations de la santé.
L’IA n’est, à ce jour, qu’un potentiel technique, la plupart de ses applications en étant encore au stade de prototype.
Mais il faut préparer l’avenir et l’année 2018 aura été celle du premier pas. Elle a été marquée par la parution de plusieurs publications scientifiques d’importance et, en octobre, par celle de l’ouvrage « Santé et intelligence artificielle » coordonné par Cédric Villani.
Que retenir donc de 2018 ?
La donnée, premier enjeu de l’intelligence artificielle
Les machines apprennent à partir des informations qui leur sont accessibles, c’est à dire les données (en anglais: data) numérisées et enregistrées. Le recueil de données médicales en vue de fabriquer des applications est donc naturellement la première étape de l’intelligence artificielle. Une grande partie de l’ouvrage de C. Villani est consacré à ce problème.
Pourquoi est-ce un problème?
Depuis l’avènement de l’informatique, il y a une trentaine d’années, de volumineuses bases de données ont été constituées grâce aux registres de l’Assurance Maladie et aux dossiers informatisés des hôpitaux.
Mais, si l'information existe, elle n’en est pas pour autant exploitable car plupart des bases de données n’ont pas la qualité requise pour entraîner des algorithmes d’IA. Les données utilisées pour l’apprentissage machine sont organisées et structurées de façon très précise. Or, celles qui sont à notre disposition aujourd'hui sont le résultat de plus de 20 ans d'activité informatique, à un moment où l'IA était inconnue.
Un important travail de ré-organisation des bases de données médicales est donc indispensable avant de pouvoir espérer développer des applications intelligentes artificielles. C’est la première information marquante de 2018.
En 2019, les professionnels de santé devraient donc voir s’ouvrir de véritables « chantiers numériques » visant à collecter toute information médicale utile pour créer du « big data », c’est à dire des bases de données numériques massives et convenablement structurées, indispensable substrat de l’intelligence artificielle.
La rupture de l'Apprentissage Profond (Deep Learning): des performances spectaculaires.. à relativiser
2018 aura été marquée par plusieurs annonces très médiatisées. Ainsi, au début de l’été, la compétition organisée en Chine au cours de laquelle radiologues et intelligence artificielle se sont affrontés dans une interprétation de scanners cérébraux. L’IA a gagné en se montrant plus performante que les médecins dans le diagnostic de tumeurs cérébrales.
La presse et les réseaux sociaux y ont vu une défaite de l’expertise humaine et ont relancé le débat sur l’avenir de la profession médicale menacée de disparition pure et simple.
Mais nous observons que ce qui a été présenté au public correspond à des logiciels entraînés à répondre à des questions précises ( "la lésion visualisée au scanner est -elle une tumeur ou un hématome?" ). A ce jour, aucun système capable d’interpréter un scanner de but en blanc n’a été annoncé. Bien qu’elle soit possible sur le plan de la théorie informatique et qu'il existe probablement des équipes qui essaient d'en créer, une telle intelligence artificielle nécessiterait une importante consommation électrique et rencontrerait de sérieuses difficultés de mise en oeuvre sur le terrain. Les études énergétiques montrent qu'il n’est pas du tout évident que l’IA soit moins onéreuse que le travail humain. De ce point de vue, 2018 aura apporté une clarification.
Intelligence Artificielle: l’obstacle du coût énergétique
L’apprentissage profond a indéniablement créé une rupture en intelligence artificielle en apportant des performances inconnues jusqu’à présent.
Mais il n’est pas la véritable innovation de rupture des années 2010. En effet, l’apprentissage profond est connu depuis les années 80 et a peu évolué depuis. La rupture est arrivée par l’amélioration des performances des cartes graphiques et des processeurs qui ont considérablement accéléré les vitesses de calcul des ordinateurs.
L’apprentissage profond est basé sur de longues séries de calcul qui, jusqu’au début des années 2010, prenaient trop de temps pour espérer des applications réalistes. Ce sont les progrès de l’informatique qui ont permis à cette vielle méthode d'apprentissage machine de donner toute la mesure de ses possibilités.
Et c’est précisément dans cette longue série de calculs que se situe l’obstacle principal pour l’IA car elle nécessite une importante consommation électrique.
Le journaliste Frank Niedercorn, comparait quelques chiffres dans un article récent paru dans le journal Les Echos. Watson, le système d'intelligence artifcielle d'IBM qui a gagné le jeu télévisé Jeopardy en 2011 a consommé 80 000 Watts, AlphaGo, l'IA de GOOGLE qui a vaincu le champion de Go en 2016 a consommé 20 000 Watts, chiffres à comparer au cerveau humain qui utilise 20 Watts, l’équivalent d’une ampoule électrique.
Mentionnons également que les data centers actuels consomment déjà 3 à 4% de l’énergie mondiale, consommation destinée à augmenter considérablement si l'IA se développe.
Ces chiffres donnent la mesure du problème énergétique que la multiplication des applications intelligentes artificielles pourraient poser. Ainsi, en admettant que cela soit possible technologiquement, remplacer intégralement des professionnels de santé par des machines pourrait bien coûter beaucoup plus cher!
Nous pouvons donc raisonnablement conclure que l’avenir de l’IA en santé est avant tout de fournir des logiciels spécialisés pour professionnels mais que le « docteur numérique » n’est pas à l’ordre du jour.
Intelligence Artificielle en médecine: l’imagerie au premier rang
L’analyse d’images est ce qui ce prête le mieux au développement d’applications par apprentissage profond. En effet, comme expliqué plus haut, pour le moment, on ne peut entraîner les machines que sur des questions précises à la condition toutefois de disposer d’une base de données suffisamment importante.
L’imagerie médicale s’y prête. Les textes (compte-rendus médicaux par exemple) sont beaucoup plus difficiles à structurer pour l’apprentissage car ils sont trop hétérogènes dans leurs formes et leurs contenus, variant d’un rédacteur à l’autre, d’une institution à une autre. Il est plus facile d'entraîner des machines à extraire un point précis d’information sur des images.
La plupart des systèmes d’intelligence artificielle en santé présentés cette année au public ont été des logiciels d’analyse d’images.
Trois grands types d’applications sont apparus. La première est la radiologie automatisée avec des IA capables d'interpréter des radiographies ou des scanners. La seconde est l’anatomo-pathologie automatisée avec des IA analysant des biopsies à la recherche de cellules cancéreuses. La troisième est le dépistage automatisé de maladies : détection de facteurs de risque sur les photographies de rétine ou encore diagnostic de cancers de la peau sur photographies.
Il n'existe pas encore de commercialisation mais les publications scientifiques préliminaires sont prometteuses. (Plusieurs d'entre elles ont fait l'objet d'articles de ce BLOG, chaque lectrice et lecteur peut s'y reporter pour plus d'informations). Nous devrions donc voir arriver sur le marché des appareils diagnostiques intelligents artificiels dans un délai de quelques années.
Premières autorisations de la Food and Drug Administration, autorité de santé américaine
L’année 2018 aura aussi été celle des premières autorisations délivrées à des systèmes de diagnostic médical intelligents artificiels par une autorité de santé nationale, en l'occurence, la FDA américaine.
En avril, tout d’abord, c'est le système IDx-DR qui a obtenu une autorisation pour le dépistage de la rétinotpathie diabétique, puis, en mai, le logiciel OsteoDetect capable de détecter des fractures de poignet sur des radiographies.
Il faut préciser que ces systèmes restent encadrés et ne doivent être utilisés que par des professionnels dans un cadre bien précis. Il ne s’agit pas d'appareils autonomes accessibles à des particuliers.
CONCLUSION
L'année 2018 a été riche pour l'IA en santé. Les applications que nous avons découvertes sont des logiciels pour professionnels. L'intelligence artificielle ne supplantera pas le travail humain. Même si cela apparaît possible sur le plan de la théorie informatique, le coût énergétique est insurmontable. Mais ceci ne veut pas dire que rien ne changera, bien au contraire. De nombreuses tâches seront automatisées, en particulier dans le diagnostic médical. Chaque professionnel de santé doit en avoir conscience et doit se préparer à ré-inventer son métier.
REFERENCES
Franck Niedercorn: quand l'ordinateur copiera le cerveau
Santé et intelligence artificielle. Ouvrage coordonné par Bernard Nordlinger et Cedric Villani. CNRS EDITIONS. Paris, 2018
ARTICLES DU BLOG MEDECINE-ET-ROBOTIQUE
COMPRENDRE L'INTELLIGENCE ARTIFICIELLE EN MEDECINE
UNE INTELLIGENCE ARTIFICIELLE AUTORISEE A ETABLIR DES DIAGNOSTICS MEDICAUX SANS INTERVENTION HUMAINE
Inscrivez-vous au site
Soyez prévenu par email des prochaines mises à jour
Rejoignez les 23 autres membres