Intelligence artificielle (IA), machine learning, deep learning, big data, autant de termes que nous entendons régulièrement et qui suscitent chez nous la fascination, l’espoir, la peur et parfois même rien du tout.
Ces JFR 2017 ont été résolument tournées vers l’avenir, ce qui nous a permis de recueillir l’avis de certains experts sur la question.
Nous verrons les progrès récents en matière d’IA qui ont ramené cette science sur le devant de la scène, nous expliquerons les termes relatifs au vocabulaire de l’IA et enfin nous verrons dans quelle mesure elle va impacter le métier de radiologue à l’avenir.
L’histoire de l’IA débute assez tôt avec la comtesse Augusta Ada King (1815-1852). Cette dernière inventa un algorithme considéré comme le premier programme informatique au monde, qui ne fonctionnait évidemment pas sur ordinateur mais avec une machine, la machine de Babbage.
Dans les années 1960 on chercha à reproduire l’intelligence humaine et les premiers succès suscitèrent beaucoup d’espoir, notamment en imagerie.
Vingt ans plus tard, devant des obstacles conceptuels majeurs, aucun système appliqué à la santé n’existait encore.
Il fallut attendre les premiers réseaux neuromimétiques qui permirent la création de programmes de segmentation automatique d’images médicales ou d’interprétation de bilan thyroïdien. Néanmoins ces programmes étaient très spécifiques et incapables de réaliser les fonctions de base de l’intelligence humaine que sont l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique. Incapables aussi de s’adapter à de nouvelles tâches ou situations.
Ces lacunes ont rendu impossible l’utilisation large de ces programmes dans le domaine médical qui n’est pas un « petit monde » mais bien un monde complexe aux informations considérables et très variées. Ces différents problèmes ont entraîné un abandon de l’IA en matière médicale pendant une vingtaine d’années.
Depuis 10 ans l’apparition de réseaux neuromimétiques efficaces, le Deep Learning, l’utilisation des mégadonnées (rendue possible par l’augmentation des capacités de mémoire et de puissance de calcul des ordinateurs) ont entraîné un regain d’intérêt pour l’IA dans le domaine médical.
Mais de quoi parle-t-on exactement quand on dit "intelligence artificielle" ?
Il faut distinguer deux types d’IA. Une première, qui existe déjà, que l’on nomme IA faible qui vise à construire des algorithmes capables de résoudre des problèmes techniques en simulant l’intelligence. Et une seconde, hypothétique, aujourd’hui encore dans le domaine de la science-fiction, que l’on nomme IA forte. Cette dernière serait capable d’éprouver une réelle conscience de soi et d’avoir une compréhension de ses raisonnements. La plupart des experts du domaine s’accordent pour dire que l’IA forte n’est pas prête de voir le jour.
C’est en fait le machine learning ou apprentissage automatique qui a remis l’IA sur le devant de la scène. Il s’agit d’un champ d’étude donnant aux ordinateurs la capacité d’apprendre à partir de bases de données sans avoir été explicitement programmés et de faire ensuite des prédictions. L’utilisation de réseaux neuromimétiques est une technique de machine learning utilisée dans la reconnaissance d’images.
Elle repose sur une brique élémentaire mathématique qu’est le neurone artificiel. Il fonctionne de la façon suivante :
A l’instar d’un neurone biologique, le neurone artificiel reçoit des informations en entrée (des caractéristiques de l’image par exemple) (x1, …, xn). Ces informations sont pondérées par des coefficients (w1, …, wn) puis sommées entre elles. Cette somme pourrait correspondre à un potentiel pré-synaptique pour un neurone biologique. En effet, cette somme pondérée passe dans une fonction d’activation et si elle dépasse le seuil θj, elle va déclencher une réponse que l’on peut comparer au potentiel d’action du neurone biologique. Lors de la phase d’apprentissage, la sortie calculée est comparée à la sortie attendue et les coefficients sont modifiés pour que la sortie calculée soit la plus proche possible de la sortie attendue.
Une fois que la phase d’apprentissage est réalisée, des prédictions peuvent être faites comme par exemple l’interprétation d’images.
Le Deep Learning est une façon d’agencer ces neurones artificiels en couches de manière à ce que les informations en sortie des couches les plus superficielles soient les entrées des couches profondes.
Quels sont les résultats à ce jour en matière d’interprétation d’image et quelles sont les limites actuelles de ces méthodes ?
Plusieurs études ont montré l’efficacité de ces méthodes en matière de reconnaissance d'image.
Par exemple, l’étude de M. F. Alcantara et al. sur le diagnostic de tuberculose en utilisant des méthodes de Deep Learning. Dans cette étude plus de 4000 radiographies thoraciques ont été analysées par un algorithme de Deep Learning qui devait dans un premier temps classer les patients en deux groupes : malade ou non-malade. L’algorithme a montré un taux de réussite de 89,6 % dans cette tâche de classification binaire. Dans un second temps cet algorithme a été utilisé pour classer en plusieurs catégories les atteintes de la tuberculose (caverne, épanchement pleural, miliaire...). Lors de cet exercice le taux de réussite a chuté à 62,07%.
Comme abordé dans la conférence FutuRIM de ces JFR 2017, une équipe de Stanford à développé un algorithme de Deep Learning qui a réussi à séparer, parmi 130 000 photos de lésions dermatologiques, celles qui étaient malignes de celles qui étaient bénignes, et cela aussi bien qu’un comité de 21 experts avec un taux de réussite de 91 %.
Il existe néanmoins des limites à ces succès. Ces algorithmes nécessitent pour arriver à maturation d’être entraînés sur de volumineuses bases de données soigneusement étiquetées. Et c’est là un problème majeur car il existe peu de bases de données fiables et bien fournies. C’est pourquoi certaines grandes multinationales du numériques comme IBM ou Google se sont lancées dans l’achat de bases de données aux hôpitaux américains. Une autre limite vient du fait que ces systèmes sont performants pour des tâches pour lesquelles elles ont été spécifiquement entraînées (diagnostic correct de tuberculose mais pas de ses sous-classes).
Enfin, on peut aussi préciser que pour l’imagerie en trois dimensions (analyse de plusieurs coupes en bonne résolution) les capacités de calcul sont pour l’instant trop limitées pour voir une utilisation à court terme de ces méthodes.
Quelles sont les perspectives de l’intelligence artificielle en radiologie ?
Il est très probable qu’à court terme nous soyons amenés à utiliser des outils ciblés pour rechercher des pathologies spécifiques et qu’à moyen terme des outils d’aide à l’interprétation voient le jour, notamment en imagerie 2D.
A long terme on peut se demander si l’imagerie médicale sera entièrement automatisée mais cela nous amène à d’autres questions. Qui sera responsable en cas d’erreur ? Qui conduira la recherche ? Qui rectifiera les erreurs ? Comment rester performant en analyse d’image pour un chirurgien ou un radiologue interventionnel si l’on perd cette compétence aux dépens d’une machine ?
Le radiologue va-t-il devenir un manager de données plutôt qu’un interpréteur d’image ? Et si l’intelligence artificielle ne rapprochait pas paradoxalement le radiologue de son patient ?
Sources
- JFR 2017 : Intelligence artificielle en imagerie thoracique : applications cliniques actuelles - Guillaume Chassagnon.
- JFR 2017 : L’intelligence artificielle va-t-elle remplacée le radiologue ? - André Aurengo.
- JFR 2017 : Conférence FutuRIM.
- F. Alcantara, Y. Cao, C. Liu, et al., "Improving tuberculosis diagnostics using deep learning and mobile health technologies among resource-poor and marginalized communities", IEEE Connected Health Appl. Syst. Eng. Technol., pp. 274-281, 2016.
- Esteva , B. Kuprel , R. Novoa, et al., "Dermatologist-level classification of skin cancer with deep neural networks". Nature 2017;542:115–8.
Article paru dans la revue “Union Nationale des Internes et Jeunes Radiologues” / UNIR N°30
