Le machine learning, appliqué à l’imagerie médicale.

L’apprentissage automatique (ou machine learning) est d’après Arthur Samuel - pionnier américain du jeu sur ordinateur, de l’intelligence artificielle et de l’apprentissage automatique - une science qui permet de donner « à un ordinateur la capacité d’apprendre sans avoir été programmé pour effectuer une tâche » [1]. Un exemple récent, qui a coupé le souffle à la communauté scientifique, est la partie de go entre le Sud-Coréen Lee Sedol et la machine AlphaGo. Cette intelligence artificielle a été conçue sur la base du machine learning [2] dans le but de jouer spécifiquement à ce jeu. En effet, le go présente un nombre de possibilités de jeu bien supérieur aux échecs et il est évident que le(s) dévelopeur•e•s d’un tel programme ne peuvent pas ajouter chacun des mouvements possibles à la machine. Il faut donc que l’ordinateur ‘apprenne’ en jouant contre lui-même pendant plusieurs mois durant !

Mais cette fois-ci, le machine learning a été mis à profit d’une cause moins ludique : l’imagerie médicale. Tout a commencé dans le kibboutz de Shefayim entre Tel Aviv et Haifa. Ce kibboutz est connu comme étant extrêmement robuste financièrement, n’ayant eu besoin d’une aide financière lors de la crise de 1980. Dans cet environnement extrêmement technologique, la startup Zebra Medical Vision propose une application différente du machine learning : apprendre à un ordinateur à détecter une maladie en observant des images provenant d’imageries médicales conventionnelles. Et l’enjeu est de taille car l’entreprise estime que plus d’un milliard de personnes sont bénéficiaires des services d’imageries tels que l’IRM, les scanners X ou les scanners TEP. Cependant, pour le moment, toutes ces images produites ont besoin d’un spécialiste pour les analyser- et parfois simplement pour une vérification de routine ou pour des problèmes évidents comme un os cassé - ce qui entraîne naturellement une augmentation des frais médicaux.
Pour ‘apprendre’ à l’ordinateur à analyser ces images, des milliers d’images de patient-e-s déjà analysées par des spécialistes ont été chargées sur le programme. L’ordinateur utilisant un algorithme appelé Emphysema a donc appris à avoir le même résultat que le ou la radiologue. Finalement, cela revient un peu au même apprentissage que celui effectué par le ou la spécialiste durant sa formation où il ou elle apprend à reconnaître des ensembles de points qui semblent suspects dans une image. L’entreprise a fait le choix de s’intéresser en priorité aux os, au foie, aux poumons et au cerveau, combinant les trois techniques médicales évoquées ci-dessus.

Dans un entretien avec le Monde [3], Alain Livartowski, oncologue et directeur des données à l’Institut Curie à Paris affirme : « Cela peut être comparable à ce qu’ont apporté les IRM en neurologie. Les ordinateurs ne fatiguent pas, n’ont pas d’a priori, voient des choses qui échappent à l’homme ». Ils sont aussi plus rapides. « Les IA sont en outre moins sensibles que les humains au paiement à l’acte et n’ont pas d’ego qui peut fausser leur jugement », ajoute le docteur Laurent Alexandre, président de la société de séquençage DNAVision.

Alors que certains se disent probablement « Voilà la fin du travail du ou de la radiologue », rien n’est moins certain ! Des personnes travaillent encore à améliorer des techniques médicales pour obtenir de nouvelles formes « d’empreintes digitales » spécifiques à certaines maladies afin d’améliorer le diagnostic. Si ce logiciel fait ses preuves, il sera utilisé vraisemblablement comme un premier avis pour des cas peu complexes, mais aura l’avantage de pouvoir s’adapter au fur et à mesure que la recherche avance.

Sources :
[1] Machine Learning and Optimization, Andres Munoz https://www.cims.nyu.edu/~munoz/files/ml_optimization.pdf
[2] http://www.lemonde.fr/pixels/article/2016/03/15/jeu-de-go-victoire-finale-de-l-intelligence-artificielle-sur-le-score-de-4-a-1_4882998_4408996.html
[3]http://www.lemonde.fr/sciences/article/2017/05/08/l-intelligence-artificielle-dope-la-medecine_5124373_1650684.html#oKuFkgjFHAl4YGbW.99

Rédacteur : Samuel Cousin, post-doctorant à l’Institut Weizmann