Selon Andrew Ng, chercheur américain spécialisé dans le domaine de l’Intelligence Artificielle, l’IA n’est pas encore utilisée dans les hôpitaux du monde entier pour les raisons suivantes: la rareté et la pauvreté des données dans le domaine de la médecine surtout concernant les pathologies rares, la difficulté des chercheurs à déployer leurs modèles sur des cas réels, l’absence de gestion du changement induit par l’IA dans le secteur de la santé.
Faire face à la pénurie de données étiquetées
2 milliards de radiographie du Thorax sont réalisées par an pour détecter des pneumonies, des cancers, des Covid -19. L’apprentissage profond supervisé a atteint le niveau des radiologistes.
Pour la détection d’un épanchement pleural, l’IA fait aussi bien que le radiologiste en revanche ce n’est pas le cas avec le diagnostic de la hernie thoracique.
Dans le cas de l’épanchement pleural, le jeu de données annotées est de 11000 exemples contre 110 exemples pour la hernie. Le nombre de données correctement annotées est un des déterminant de l’efficacité de l’apprentissage supervisé.
Dans la médecine pour certaines pathologies, ces données annotées n’existent pas ou sont trop peu nombreuses.
Pour surmonter la rareté des données, Andrew Ng suggère plusieurs méthodes déjà utilisées par les chercheurs : le transfer learning, le one-shot learning, le self-supervised learning, la data augmentation.
Le Transfer Learning
La situation dans laquelle ce qui a été appris dans un contexte est exploité pour améliorer la généralisation dans un autre contexte. L’apprentissage par transfert doit permettre d’utiliser les connaissances acquises lors de tâches précédentes et de les appliquer à des tâches plus récentes.
One-Shot learning
Alors que la plupart des algorithmes de catégorisation d’objets basés sur l’apprentissage machine nécessitent une formation sur des centaines ou des milliers d’échantillons ou d’images et de très grands ensembles de données, ‘l’apprentissage en une fois’ vise à apprendre des informations sur les catégories d’objets à partir d’un seul ou de quelques échantillons.
Self-supervised Learning
L’idée qui sous-tend ‘l’apprentissage autogéré’ est de développer un système d’apprentissage profond qui peut apprendre à combler les lacunes. “Vous montrez à un système un élément d’entrée, un texte, une vidéo, voire une image, vous en supprimez une partie, vous la masquez, et vous entraînez un réseau neuronal à prédire l’élément qui manque. Il peut s’agir de la suite d’une vidéo ou de mots manquants dans un texte.
Data Augmentation
Il existe plusieurs techniques d’augmentation d’image (transformations de perspective, changements de contraste, bruit gaussien, abandon de régions, changements de teinte/saturation, recadrage, flou) qui peuvent être appliquées à l’image pour améliorer l’apprentissage.
Généraliser les modèles avec de nouvelles données
Trop de papiers de recherche proposent des modèles non utilisables en production. Les radiologistes n’ont pas le même matériel à travers le monde, la qualité des images n’est pas forcément la même que celle des images qui servent à entrainer les modèles. Pour surmonter ce problème récurrent, Andrew Ng conseille de mettre dans la boucle les techniciens, ceux qui connaissent le matériel de radiographie, qui pourront renseigner les chercheurs sur les éventuels biais techniques dès la création du modèle et son entrainement.
“Comme la plupart des systèmes de reconnaissance d’images, le modèle d’apprentissage approfondi avait été formé sur des scans de haute qualité ; pour garantir la précision, il était conçu pour rejeter les images qui tombaient en dessous d’un certain seuil de qualité. Comme les infirmières en Thaïlande scannent des dizaines de patients par heure et prennent souvent les photos dans de mauvaises conditions d’éclairage, plus d’un cinquième des images sont rejetées.”
Gestion du changement
Enfin Andrew Ng souligne que le vrai challenge est dans la perception de l’IA par les métiers de la santé. Comment impliquer les personnels de santé pour qu’ils utilisent l’IA dans l’intérêt des patients et ne se sentent pas dépossédés d’une partie de leur métier et de leurs responsabilités.
l’IA va définir des nouveaux processus de soins et il faudra être capable d’impliquer tout le monde dans l’intérêt des patients. Les soignants doivent comprendre que l’ordinateur, le robot, l’algorithme ne les remplaceront mais vont les aider à être plus performants et avoir plus de temps à consacrer aux malades.
Doctors Are Confident That AI Won’t Replace Them-Forbes-Janvier 2019
“Les chercheurs mettent en évidence un fossé entre la communauté médicale et la communauté de l’IA… Avec l’introduction progressive de l’IA dans les systèmes de santé du monde entier, ils craignent que le scepticisme de la communauté médicale ne conduise à un conflit inévitable.”
INDEX
Article écrit partir de cette vidéo : Pie & AI: Real-world AI Applications in Medicine. (1:10' à 1:23': Andrew Ng)
