Monde de demain : les bienfaits de l’intelligence artificielle dans le domaine de la santé | Atlantico.fr
Atlantico, c'est qui, c'est quoi ?
Newsletter
Décryptages
Pépites
Dossiers
Rendez-vous
Atlantico-Light
Vidéos
Podcasts
Santé
santé intelligence artificielle
santé intelligence artificielle
©Getty Images

Bonnes feuilles

Monde de demain : les bienfaits de l’intelligence artificielle dans le domaine de la santé

Damien Gromier a publié "L'intelligence artificielle en action : Santé, environnement, énergie... ce que l'IA change concrètemen"t aux éditions Eyrolles. Ce livre interroge le futur de l'IA en présentant les pratiques les plus avancées en la matière. Cette plongée donne les clés de cette technologie. Extrait 2/2.

Damien Gromier

Damien Gromier

Damien Gromier est fondateur de l'initiative Al for Good, lancée à l'Assemblée nationale en avril 2018. Il est CEO et cofondateur du groupe Startup Inside à l'origine des conférences internationales AI for Health, AI for Finance et AI for the Planet. Il est également cofondateur et ancien président de l'initiative France is AI by France Digitale. Il est enfin vice-président fondateur de l'association Impact Al, "think and do tank" de référence en matière d'éthique de l'IA.

Voir la bio »

La médecine est une science – un art, diront certains – plurimillénaire. L’intelligence artificielle, elle, est une jeune quinquagénaire. Et il aura fallu attendre 2012 pour que la classe de réseaux de neurones artificiels la plus utilisée aujourd’hui en IA, celle des « réseaux profonds convolutifs », surpasse les techniques informatiques préexistantes dans des tâches basiques de classification automatique d’images.

Et pourtant… Le secteur de la santé se trouve bel et bien, aujourd’hui, aux avant-postes de l’IA. Pourquoi la technologie qui affiche les développements les plus spectaculaires de ce début de deuxième millénaire a-t-elle une affinité particulière pour un domaine aux fondamentaux ancrés dans l’histoire? À bien y regarder, cela n’a rien de surprenant. Si le secteur ancien de la santé est aujourd’hui l’un de ceux les plus susceptibles d’être profondément transformés par l’intelligence artificielle, c’est, essentiellement, parce que ce secteur produit désormais une quantité fantastique de données, ouvrant un vaste champ d’exploration aux algorithmes.

Prenons un exemple. La start-up Recursion Pharmaceuticals – dont le conseiller scientifique n’est autre que Yoshua Bengio, professeur à l’université de Montréal, corécipiendaire du prix Turing – est amenée à produire, à elle seule, chaque semaine, plusieurs téraoctets de données (l’équivalent de plusieurs centaines de DVD). Nous parlons ici d’une seule entreprise. À l’échelle mondiale devraient être produits quelque 2,3 millions de téraoctets de données de santé en 2020, selon l’estimation proposée par le think tank LIR, spécialiste de l’innovation en santé. S’il y a lieu de parler de big data, le secteur de la santé est sans doute l’un de ceux où cela est le plus évident.

Or, il est impossible, pour les chercheurs comme pour les médecins, de maîtriser l’ensemble des données utiles à leurs patients. Il y a trop de données médicales et comportementales à explorer, trop d’expériences à conduire et à analyser. Et cela, alors même que les budgets des systèmes de santé sont toujours plus contraints.

Qu’apporte l’IA dans ce contexte? Fondamentalement, la possibilité de traiter cette véritable déferlante de données dans un temps raisonnable et d’en extraire du sens. Plus précisément, l’IA offre l’opportunité d’améliorer les pratiques médicales selon quatre axes complémentaires, qui mettent chacun à profit son incomparable capacité à comparer et à corréler des données biologiques, physiologiques et comportementales, issues d’examens, de dossiers médicaux, de capteurs ou encore de publications scientifiques.

De la prévention à l’accompagnement

L’IA peut, d’abord, améliorer la prévention. Elle va pour cela appuyer la surveillance des objets connectés, anticiper des épisodes chroniques, personnaliser des recommandations.

Dans le domaine de la recherche clinique, les systèmes experts et apprenants sont utiles à la synthèse et à l’analyse des publications médicales, à l’identification et à la sélection des molécules et voies de synthèse, à la surveillance médicale et au recrutement des patients pour les essais.

En se rapprochant des praticiens, l’IA peut assister le diagnostic – notamment par l’analyse automatique des images médicales –, faciliter le suivi du dossier des patients et assister la recommandation de traitement.

Enfin, au plus près des patients, les technologies de l’IA sont mobilisables pour améliorer l’observance thérapeutique, faciliter les consultations comme les soins à domicile, et apporter une assistance au quotidien aux patients.

C’est sur l’axe de l’aide au diagnostic basée sur l’analyse automatique d’images que l’expérience de l’IA en santé est, aujourd’hui, la plus avancée – et, partant, la plus remarquée. Digitalisée de longue date, l’imagerie médicale fournit en effet un socle de données accessible, de haute qualité, riche en informations. La « vision par ordinateur » est, en parallèle, un domaine de recherche historique des recherches en intelligence artificielle, et c’est dans ce domaine que l’IA a amorcé son accélération au tournant des années 2010, enregistrant de spectaculaires progrès avec le développement de réseaux de neurones profonds toujours plus performants.

Aujourd’hui, des algorithmes, entraînés sur des corpus d’images classés par des médecins radiologues, sont capables de détecter sans erreur, dans 95 % des cas, des indices de cancer des poumons sur des clichés obtenus par tomographie et produisent moins de faux positifs et négatifs que les radiologues examinant les mêmes clichés. À la clé s’ouvre la possibilité de détecter plus en amont la survenue d’un cancer et d’augmenter le taux de survie. Une équipe composée de chercheurs de Google Health, de DeepMind – la célèbre start-up britannique, passée dans le giron de Google, à qui l’on doit le modèle d’IA « AlphaGo » qui a battu le champion du monde du jeu de go et « AlphaZero », qui se distingue parmi les « maîtres » du jeu StarCraft – et d’universités anglaises et américaines a récemment obtenu des résultats analogues pour le diagnostic du cancer du sein.

Dans les deux cas, les chercheurs reconnaissent que l’IA, malgré ces remarquables performances, ne peut être déployée sans réflexion.

Il faut s’assurer que les corpus d’images sur lesquels les algorithmes sont entraînés sont pertinents pour éclairer l’analyse automatique de clichés qui seront obtenus auprès de patients présentant éventuellement des profils médicaux différents : c’est la question de la transférabilité de l’apprentissage qui est posée là. À cette question s’ajoute aussi celle, plus fondamentale, de l’utilité du diagnostic. Pour certains cancers, il n’est pas certain qu’une détection accrue soit bénéfique aux patients. Cette question est particulièrement débattue dans le cas des cancers du sein ou de la prostate. Certains cancers, une fois détectés, peuvent entraîner une prise en charge pénible. Mais restés indétectés, ils sont susceptibles de ne pas affecter significativement la qualité de vie du patient.

Réduire les délais d’examens

Reste un constat indiscutable, qui donne toute sa pertinence à l’automatisation – au moins partielle – de l’interprétation des clichés médicaux : le déficit important des professionnels de santé. Radiographie, tomographie, IRM, PET scan, fond d’œil… Le nombre d’examens prescrits croît bien plus vite que le nombre de médecins spécialistes capables de les analyser. À titre d’exemple, une étude conduite en Angleterre en 2017 évaluait la croissance du nombre de passations de CT-scan (tomodensitométrie) et d’IRM (imagerie par résonance magnétique), à l’horizon 2020, à, respectivement, 29 et 26 %. Dans le même intervalle, le nombre de radiologues n’allait progresser que de 5 %. Il apparaît donc que l’IA est assurément appelée à jouer un rôle important dans la capacité même de certaines spécialités médicales à répondre aux besoins de la population. De fait, la société DeepMind – encore elle – a développé, en partenariat avec le Moorfields Eye Hospital de Londres, une IA analysant les clichés de tomographie de la rétine. Cette IA, entraînée sur 15 000 dossiers de patients, réussit à identifier correctement, dans 94,5 % des cas, une cinquantaine de pathologies oculaires. Dans ce cas, l’IA ne fait pas mieux qu’un ophtalmologue… Mais elle offre un gain de temps précieux pour analyser des clichés et accélère donc l’orientation rapide des patients vers un traitement pertinent. Dans le même esprit, l’unité de recherche de Facebook dédiée à l’IA, FAIR (Facebook AI Research) s’est associée avec l’hôpital universitaire de New York pour développer des systèmes de modélisation cérébrale susceptibles de réduire d’un facteur 10 le temps nécessaire pour passer un examen d’imagerie cérébrale par résonance magnétique. Quand on sait qu’il faut attendre, en général, plusieurs semaines pour pouvoir passer ce type d’examen, qui dure entre un quart d’heure et une heure, on mesure l’intérêt de réduire drastiquement le temps de passation.

Les professionnels de santé ont d’ores et déjà pris acte de l’immense potentiel de l’intelligence artificielle à améliorer leurs conditions de travail. En radiologie, l’IA affiche des performances si remarquables qu’en juin 2018, le Dr Jean-Philippe Masson, président de la Fédération nationale des médecins radiologues (FNMR), et le Pr Jean-François Meder, président de la Société française de radiologie (SFR), ont annoncé, à l’occasion d’un séminaire spécifiquement consacré à l’IA, le lancement du premier « écosystème français de l’intelligence artificielle (IA) dédié à l’imagerie médicale ». L’annonce a été faite « au nom du Conseil national professionnel de la radiologie française (G4) », ont précisé les deux professionnels en clôture du séminaire organisé à Lyon par la FNMR et consacré à l’IA. Les deux spécialistes anticipent un « big data potentiel de plus de 500 millions de dossiers médicaux et libellés, grâce à l’exhaustivité des comptes-rendus radiologiques archivés par les médecins radiologues des services d’imagerie médicale français depuis cinq ans ». Selon une enquête de la SFR présentée en octobre 2017, 82 % des radiologues affirment que l’IA peut améliorer la pertinence des décisions cliniques et 80 % pensent qu’elle peut optimiser la productivité.

Certes, les débats restent ouverts sur la meilleure manière d’associer l’expertise humaine au support offert par les algorithmes apprenants, en particulier en cancérologie. Mais il n’empêche que les services que l’IA peut rendre à la santé sont suffisamment convaincants pour que les technologies qui y recourent obtiennent, d’ores et déjà, le feu vert des autorités médicales dans nombre d’applications. Dès 2018, aux États-Unis, la Food and Drugs Administration (FDA) a, par exemple, approuvé la commercialisation d’un logiciel exploitant une technologie d’IA destiné aux patients atteints de rétinopathie diabétique. L’autorité de santé américaine a également autorisé la mise sur le marché d’un logiciel de reconnaissance automatique des clichés de tomographie, visant à prévenir le risque de crise cardiaque, ou encore une application pour smartphone, analysant les photos de tests urinaires pour détecter les infections. En France, le système expert de Moovcare, qui permet d’améliorer le pronostic des malades de certains cancers du poumon, a été reconnu en France comme dispositif médical de Classe I, et sa prescription est remboursée par l’assurance maladie. En Europe, les textes réglementaires ont intégré, en mai 2020, des précisions nouvelles pour définir les obligations faites aux dispositifs médicaux incluant les technologies de l’intelligence artificielle. En bref : l’IA a non seulement conquis la pratique, mais est également en train de s’inscrire dans le temps long des cadres réglementant les usages thérapeutiques.

Renouveler en profondeur la pratique médicale

Cette montée en maturité de l’IA dans le champ de la santé n’est pas achevée. Non seulement parce que la recherche fondamentale aussi bien que le développement d’applicatifs progressent rapidement, mais aussi parce que les technologies de l’IA font davantage qu’améliorer les capacités et les performances des praticiens et des systèmes de soin : elles ouvrent des perspectives radicalement nouvelles.

Avec l’IA, la prévention prend, en particulier, un sens nouveau. Prenons, par exemple, les travaux récemment publiés par une équipe de l’université américaine Georgia Tech1 . Les chercheurs ont utilisé des réseaux de neurones dits « récurrents ». Ceux-ci sont en général très utiles dans les logiciels de traduction automatique. Ici, ils ont servi à chercher des indices de risque d’accident dans les données médicales issues de dispositifs connectés (balance, tensiomètre) utilisés à domicile par des patients cardiaques. La même logique guide les recherches menées en France par les équipes de la chaire e-Biomed de Sorbonne Université, qui évaluent la possibilité de détecter, via le port de ceintures cardio ou de montres connectées, des indicateurs de risque cardiaque, soit pour accompagner des patients en ambulatoire, soit pour améliorer la prévention chez des patients à risque. Dans la même perspective, la start-up Implicity (cf. p. 48) met en œuvre des algorithmes de machine learning analysant les données produites par les défibrillateurs cardiaques, afin de prévenir les AVC.

Si la technologie est, à l’évidence, suffisamment mature pour transformer les données de santé en outils d’amélioration de la prévention, encore faut-il que ces outils soient bien intégrés par les praticiens et, surtout, par les patients. Imaginons qu’un individu bien portant ait décidé de souscrire à un programme de prévention analysant son activité physique en temps réel. Comment réagira-t-il si des notifications, habillées d’un logo bien choisi, s’affichant sur une montre connectée à son implant cardiaque, l’alertent et lui enjoignent de se calmer, alors qu’il est en plein match de foot avec ses petits-enfants ? Leur dira-t-il que son IA réclame une pause dans le jeu?

Cette situation, imaginaire et anecdotique, peut faire sourire. Mais elle soulève des questions sérieuses. Car l’IA, sur le terrain médical, a deux faiblesses importantes. D’abord, elle ne « raisonne » qu’en termes de probabilités. Elle ne sait pas délivrer ses conclusions autrement qu’en termes de pourcentage de chances (ou de risques). Or les humains sont singulièrement mauvais en statistiques et probabilités. Les biais cognitifs abondent : erreur de conjonction, biais de confirmation, biais de croyance, illusion des séries… La parole de l’IA ne peut donc pas être la parole du médecin : elle doit absolument être interprétée.

Ensuite, aussi sophistiqués soient-ils, les algorithmes des IA sont parfaitement aveugles au contexte. Ils ne répondent qu’aux questions qu’on leur pose, avec les données qu’on leur fournit. Or, la santé, du point de vue des patients, ne se résume en général pas à des réponses précises à des questions précises. Dans la relation thérapeutique, il y a aussi la prise en compte de l’angoisse, la crainte de la déchéance, la conscience de la mort… C’est le fondement de l’attention au patient, sans doute un des leviers de l’effet placebo. Et à tout cela, l’IA est parfaitement insensible.

Assurément, l’IA avance sur le terrain du diagnostic et de la prévention. Mais ces deux terrains-là sont subtils, complexes. On peut ainsi s’attendre à ce que les progrès revendiqués dans les publications scientifiques et dans le cadre des « Proofs of Concept » menés par les entreprises du secteur demandent parfois un temps important avant d’être pleinement déployés.

Par contraste, il est un domaine du champ de la santé où l’IA peut bien plus rapidement s’affranchir des réserves liées à la maturation patiente des usages : le développement des médicaments. Elle offre en cela un complément essentiel au diagnostic et à la prévention. De fait, à quoi cela sert-il d’améliorer un diagnostic, de mieux cibler les patients nécessitant un traitement si, justement, aucun traitement n’est disponible? Ou si les traitements existants ont trop d’effets secondaires ? Ou sont trop chers ? Ou s’ils ont des conséquences à long terme qui en réduisent l’efficacité – comme c’est le cas pour les antibiotiques, dont un usage mal maîtrisé favorise l’apparition de souches de bactéries résistantes ? Les traitements restent le nerf de la guerre contre les maladies.

Accélérer le développement de nouvelles molécules

Or, comme l’a récemment relevé la revue Nature, le développement d’une nouvelle molécule coûte en moyenne 2,6 milliards de dollars. Les molécules les plus « simples » ayant été découvertes, et la médecine s’attaquant à des maladies chroniques nouvelles ou à des pathologies rares, les coûts de développement s’envolent. Ces coûts prennent en compte les neuf composés qu’il aura fallu abandonner sur le chemin qui mène des tests précliniques aux autorisations de mise sur le marché, pour qu’un seul composé soit autorisé, au bout, en moyenne, de cinq années de développement. Sans surprise, les grands laboratoires pharmaceutiques se sont donc récemment intéressés aux technologies de l’IA pour revoir la manière dont ils développent les traitements, accompagnant l’éclosion de dizaines de start-up, qui prennent le pari de réinventer et d’accélérer les processus de développement de nouvelles molécules d’intérêt.

Pfizer s’est ainsi rapprochée d’IBM et fait appel à son célèbre Watson pour identifier de potentiels traitements en immuno-oncologie. Bayer a passé un partenariat avec ExScientia, start-up britannique, dont la plateforme contribue à la découverte de traitements contre les maladies métaboliques. Une déclaration du CEO de la start-up Andrew Hopkins le 3 juillet 2017 donne une idée des ambitions de l’IA en la matière. Ce dernier a affirmé à Reuters : « Nous pouvons découvrir des molécules en un quart du temps et un quart du coût des approches classiques. » Genentech (filiale de Roche) mobilise, pour sa part, l’IA de GNS Healthcare, start-up du Massachusetts, pour le traitement des cancers. GlaxoSmithKline a recruté plusieurs dizaines de personnes pour constituer une cellule IA à San Francisco. Sanofi s’est allié à Google pour développer un laboratoire commun d’innovation. Les multinationales du numérique sont, d’ailleurs, très impliquées dans ces rapprochements. La branche Healthcare de Microsoft a, par exemple, créé, début 2020, une initiative philanthropique, « AI for Health », financée à hauteur de 40 millions de dollars, dans le but de soutenir des ONG et des chercheurs universitaires, en leur apportant financement, accès aux technologies d’IA et de cloud computing, et accompagnement par les data scientists de la firme.

Ces initiatives débouchent d’ores et déjà sur des résultats importants. En début d’année 2020, la start-up britannique Exscientia a pu annoncer que son partenaire japonais, le groupe pharmaceutique Sumitomo Dainippon Pharma, engageait des essais cliniques pour valider le potentiel du premier médicament issu de sa plateforme d’IA « Centaur Chemist ». La molécule nommée « DSP-1181 », destinée à soigner les personnes affectées de troubles obsessionnels compulsifs, a été identifiée au bout de douze mois. La plateforme « Centaur Chemist » a pour cela analysé automatiquement les caractéristiques de millions de molécules cibles, et créé 30 000 modèles de molécules candidates. Un modèle de deep learning a alors fait émerger, sur la base de la littérature scientifique et des brevets déposés, quelles molécules devaient être synthétisées. Six l’ont été en laboratoire, testées in vitro puis sur des souris… jusqu’à ce que la plus efficace d’entre elles soit qualifiée pour des essais cliniques.

Le début de l’année 2020 a été marqué par une autre réussite remarquable de l’IA sur le front du développement de médicaments. Au MIT, une large équipe de chercheurs a identifié, grâce à un modèle d’apprentissage automatique, un nouvel antibiotique à large spectre, joliment nommé « halicin », en référence à l’IA du film 2001, l’Odyssée de l’espace de Stanley Kubrick. L’algorithme de deep learning employé est parti d’une sélection de 6 000 molécules candidates, avec pour consigne d’éviter celles s’apparentant aux antibiotiques existants, pour donner les meilleures chances à un éventuel nouvel antibiotique de déjouer les résistances microbiennes. Cette recherche automatisée a identifié une molécule qui, testée in vivo sur des souris, a fait la preuve de son efficacité contre plusieurs souches bactériennes.

Ce type d’approche n’est pas une première. Aux États-Unis, il avait fallu quarante-six jours seulement, en 2019, à la start-up InSilico, en collaboration avec une équipe de l’université de Toronto, pour identifier un traitement potentiel de la fibrose – mais sans aller jusqu’aux essais cliniques.

Dans l’Utah, Recursion Pharmaceuticals, la start-up que soutient Yoshua Bengio, entend massifier la quête de nouveaux traitements grâce à l’IA. Elle mobilise pour cela des réseaux de neurones récursifs et mêle étroitement la science classique basée sur les hypothèses et l’approche par la data (c’est-à-dire la recherche de corrélations dans de très grands jeux de données complexes). Avec, cependant, une différence fondamentale avec la science classique : elle mobilise des automates de laboratoire qui manipulent des cultures de cellules en très grands volumes et à très grande vitesse. De manière résumée, Recursion Pharmaceuticals produit, par éditing génétique, de très grandes lignées cellulaires mimant les caractéristiques de maladies rares. Ces cellules reçoivent alors des molécules à tester. Ce qui les affecte, plus ou moins intensément, de manière très différenciée. Des automates de microscopie produisent alors des centaines de milliers d’images de ces cellules. C’est essentiellement là qu’intervient l’IA, pour détecter et classer les effets des molécules testées sur les cellules. Si certaines ont pour effet de faire retourner les cellules à un état sain, alors des tests précliniques plus approfondis peuvent être engagés.

À bien y regarder, cette approche n’est pas très éloignée de celle mise en œuvre il y a dix ans déjà à Cambridge, au Royaume-Uni. Un robot appelé Adam avait alors identifié des gènes régulant les réactions enzymatiques d’une levure, en croisant analyse des publications en génétique et manipulation automatisée en laboratoire. Une approche fructueuse, puisque, en janvier 2019, Eve, succédant à Adam dans le même laboratoire, a réussi à présélectionner des composés pour le traitement du paludisme.

A lire aussi : Monde de demain : la vague de l'intelligence artificielle en action

Extrait du livre de Damien Gromier, "L'intelligence artificielle en action : Santé, environnement, énergie... ce que l'IA change concrètement", aux éditions Eyrolles.

Lien vers la boutique : ICI et ICI

En raison de débordements, nous avons fait le choix de suspendre les commentaires des articles d'Atlantico.fr.

Mais n'hésitez pas à partager cet article avec vos proches par mail, messagerie, SMS ou sur les réseaux sociaux afin de continuer le débat !