Intelligence artificielle et santé

L’intelligence artificielle (IA) est un domaine de recherche en pleine expansion et promis à un grand avenir. Ses applications, qui concernent toutes les activités humaines, permettent notamment d’améliorer la qualité des soins. L’IA est en effet au cœur de la médecine du futur avec les opérations assistées, le suivi des patients à distance, les prothèses intelligentes, ou encore les traitements personnalisés grâce au recoupement de données (big data)… Dans ce cadre, les chercheurs développent des approches et techniques multiples, du traitement des langues et de la construction d’ontologies, à la fouille de données et à l’apprentissage automatique. Il est toutefois indispensable que le grand public comprenne comment fonctionnent ces systèmes pour savoir ce qu’ils font et surtout ce qu’ils ne font pas. Le robot omniscient, qui pour beaucoup symbolise l’IA, n’est pas pour demain !

Dossier réalisé en collaboration avec Jean Charlet (AP-HP et Laboratoire d’informatique médicale et ingénierie des connaissances pour la e‑santé – LIMICS, unité 1142 Inserm/Sorbonne Université/Université Sorbonne Paris nord) et Xavier Tannier (LIMICS)

Comprendre l’IA

L’intelligence artificielle est née dans les années 1950 avec l’objectif de faire produire des tâches humaines par des machines mimant l’activité du cerveau. Face aux déboires des premières heures, deux courants se sont constitués. 

Les tenants de l’intelligence artificielle dite forte visent à concevoir une machine capable de raisonner comme l’humain, avec le risque supposé de générer une machine supérieure à l’Homme et dotée d’une conscience propre. Cette voie de recherche est toujours explorée aujourd’hui, même si de nombreux chercheurs en IA estiment qu’atteindre un tel objectif est impossible. 

D’un autre côté, les tenants de l’intelligence artificielle dite faible mettent en œuvre toutes les technologies disponibles pour concevoir des machines capables d’aider les humains dans leurs tâches. Ce champ de recherche mobilise de nombreuses disciplines, de l’informatique aux sciences cognitives en passant par les mathématiques, sans oublier les connaissances spécialisées des domaines auxquels on souhaite l’appliquer. Cette approche – dont il sera question tout au long de ce dossier – génère tous les systèmes spécialisés et performants qui peuplent aujourd’hui notre environnement : créer des profils d’amis possibles sur les réseaux sociaux, identifier des dates dans les textes pour classer des dépêches d’agence, aider le médecin à prendre des décisions... Ces systèmes, de complexité très variable, ont en commun d’être limités dans leurs capacités d’adaptation : ils doivent être manuellement adaptés pour accomplir d’autres tâches que celles pour lesquelles ils ont été initialement conçus. On parle de « recontextualiser » le système.

Certains systèmes d’IA utilisent la logique…

L’approche la plus ancienne s’appuie sur l’idée que nous raisonnons en appliquant des règles logiques (déduction, classification, hiérarchisation…). Les systèmes conçus sur ce principe appliquent différentes méthodes, fondées sur l’élaboration de modèles d’interaction entre automates ou logiciels autonomes (systèmes multi-agents), de modèles syntaxiques et linguistiques (traitement automatique des langues) ou d’élaboration d’ontologies (représentation des connaissances). Ces modèles sont ensuite utilisés par des systèmes de raisonnement logique pour produire des faits nouveaux. 

Dans les années 1980, cette approche, dite symbolique, a permis le développement d’outils capables de reproduire les mécanismes cognitifs d’un expert. C’est pourquoi on les a baptisés « systèmes experts ». Les plus célèbres, Mycin (identification d’infections bactériennes) ou Sphinx (détection d’ictères), s’appuient sur l’ensemble des connaissances médicales dans un domaine donné et une formalisation des raisonnements des spécialistes qui lient ces connaissances entre elles pour aboutir à un diagnostic. Les systèmes actuels, qualifiés d’aide à la décision, de gestion des connaissances ou d’e‑santé, sont plus sophistiqués. Ils bénéficient de meilleurs modèles de raisonnement ainsi que de meilleures techniques de description des connaissances médicales, des patients et des actes médicaux. La mécanique algorithmique est globalement la même, mais les langages de description sont plus efficaces et les machines plus puissantes. Ils ne cherchent plus à remplacer le médecin, mais à l’épauler dans un raisonnement fondé sur les connaissances médicales de sa spécialité. 

La principale difficulté de l’approche symbolique est la modélisation des connaissances (description du domaine et du raisonnement) qui s’appuie sur un travail approfondi avec des spécialistes du domaine concerné. 

…D’autres exploitent l’expérience passée

Contrairement à l’approche symbolique, l’approche dite numérique raisonne sur les données. Le système cherche des régularités dans les données disponibles pour extraire des connaissances, sans modèle préétabli. Cette méthode, née avec le connexionnisme et les réseaux de neurones artificiels dans les années 1980, se développe aujourd’hui grâce à l’augmentation de puissance des ordinateurs et à l’accumulation des gigantesques quantités de données, le fameux big data.

La plupart des systèmes actuels procèdent par apprentissage automatique, une méthode fondée sur la représentation mathématique et informatique de neurones biologiques, selon des modalités plus ou moins complexes. Les algorithmes d’apprentissage profond (deep learning) par exemple, dont l’usage explose depuis une dizaine d’années, font une analogie lointaine avec le fonctionnement cérébral en simulant un réseau de neurones organisés en différentes couches, échangeant les uns avec les autres. La force de cette approche est que l’algorithme apprend la tâche qui lui a été assignée par « essais et erreurs », avant de se débrouiller tout seul. 

Des applications de deep learning existent en traitement d’images, par exemple pour repérer de possibles mélanomes sur les photos de peau, ou bien pour dépister des rétinopathies diabétiques sur des images de rétines. Leur mise au point nécessite de grands échantillons d’apprentissage : 50 000 images dans le cas des mélanomes, et 128 000 dans celui des rétinopathies, ont été nécessaires pour entraîner l’algorithme à identifier les signes de pathologies. Pour chacune de ces images on lui indique si elle présente ou non des signes pathologiques. A la fin de l’apprentissage, l’algorithme arrive à reconnaître avec une excellente performance de nouvelles images présentant une anomalie. 

Les enjeux de la recherche 

L’IA est en plein essor et de nombreuses voies de recherche sont explorées pour améliorer les performances techniques de ces systèmes, mais aussi leur adéquation aux pratiques médicales visées. Leur coût − financier mais également environnemental − doit également être justifié par une réelle plus-value pour le médecin ou le patient. 

Les voies de recherche portent en particulier sur le traitement des données, très hétérogènes, leur structuration et leur anonymisation, mais aussi sur la conception de systèmes transparents pour l’utilisateur et bien adaptés au contexte d’utilisation.

Un goulet d’étranglement : la qualité de l’échantillon de données

L’approche numérique peut se prévaloir de bonnes performances en médecine, mais elle nécessite des données parfaitement propres et bien annotées, comme celles utilisées pour la reconnaissance de mélanomes. Or la plupart des données médicales n’ont pas été recueillies dans l’objectif que se fixe le concepteur de logiciel. Elles posent donc de nombreux problèmes pour leur exploitation. 

La France dispose en particulier d’une des plus grandes bases en santé du monde : son système national de données médico-administratives, le SNIIRAM (pour Système national d’information inter-régimes de l’Assurance Maladie). Cette base, qui fait maintenant partie du SNDS, stocke toutes les prescriptions de médicaments, la description des maladies et les actes hospitaliers. Elle est toutefois délicate à exploiter, car elle a été créée pour l’analyse économique des prestations de santé et non pour une analyse médicale. Ainsi, les données relatives à une personne hospitalisée pour un problème respiratoire ne feront pas nécessairement mention du cancer qui l’affecte par ailleurs. Dans certains cas, on relève jusqu’à 30 % d’erreurs dans la description des pathologies associées aux malades. Corriger ces erreurs passe par le croisement des données avec d’autres sources, comme celles correspondant aux médicaments administrés. 

Fournir l’information au bon moment et au bon niveau

Un système d’aide à la décision en analyse d’échographies pour les grossesses extra-utérines (GEU) développé par le LIMICS et l’hôpital Trousseau, OPPIO, a servi de preuve de concept au système SUOG (Smart Ultrasound in Obstetrics & Gynecology)qui devrait entrer en phase de test en 2022. SUOG est un logiciel qui vise à améliorer la qualité des examens échographiques durant la grossesse face à leur complexité croissante et aux ressources limitées des experts. Il fournit à l’échographiste des informations pertinentes lorsqu’il est confronté à des caractéristiques inhabituelles, en temps réel et pendant l’examen. Il apporte des conseils intelligents itératifs (ce qu’il est pertinent de rechercher sur la base des résultats normaux et anormaux précédents, et d’après l’hypothèse de diagnostic) et affiche des images échographiques pertinentes validées par des experts pour appliquer les conseils fournis.

SUOG intègre une ontologie qui fournit un modèle centré sur les signes du domaine, avec les relations entre les signes des différents types de grossesses pathologiques, les structures anatomiques et les éléments techniques. Dès le premier examen, des opérateurs non experts recueillent des séries d’images de haute qualité, proches de ce que feraient des opérateurs experts. Ils peuvent demander un deuxième avis d’expert à partir de ces images et, si nécessaire, orienter les femmes vers des centres experts adéquats. 

Croiser les multiples données textuelles relatives aux patients 

Un problème important soulevé par l’exploitation des données médicales est relatif à la nature des données disponibles : on estime qu’environ 80 % des informations sur les patients sont exprimées sous forme de texte libre (comptes rendus d’hospitalisation ou rapports d’imagerie par exemple). Ces données non structurées sont notamment caractérisées par une forte variabilité linguistique qui en complique la manipulation. Il s’agit alors de mettre en œuvre des outils de traitement automatique des langues pour analyser ces textes et en extraire des informations sur le patient. De nombreux projets sont en cours au sein des hôpitaux, en particulier ceux hébergeant un entrepôt de données de santé, pour faciliter l’accès à ces informations à des visées de recherche ou de soin. À titre d’exemple, le système Epifractal, en cours de mise en œuvre à l’AP-HP, permet de détecter à partir des comptes rendus médicaux, les patients à risque élevé de fracture liée à l’ostéoporose, dans le but de les inclure dans une filière de soin spécifique.

Ce type de logiciels peuvent mobiliser une approche symbolique ou des approches fondées sur l’apprentissage statistique supervisé. Ces algorithmes peuvent être très performants mais nécessitent encore beaucoup de recherches avant de pouvoir être utilisés de façon fiable et généralisée.

Les algorithmes d’apprentissage non supervisé (sans apprentissage préalable sur des échantillons) suscitent également des espoirs dans ce domaine : ils permettent en effet de recouper rapidement un très grand nombre de données afin d’établir des structures cachées et de déterminer des catégories d’intérêt pour la tâche visée. On espère de cette façon pouvoir mieux identifier des facteurs de risques, personnaliser les traitements et en vérifier l’efficacité, prédire les épidémies ou améliorer la pharmacovigilance. 

Prévenir plutôt que guérir

La prévention est un nouveau terrain d’intervention de l’IA. En psychiatrie, la schizophrénie et la psychose chronique sont parmi les troubles les plus invalidants qui frappent les adolescents et les jeunes adultes. Des études récentes montrent que leur prise en charge est d’autant plus efficace qu’elle intervient à un stade précoce. Ainsi, le projet PsyCARE vise à améliorer la détection et l’intervention précoce en cas de psychose.

Pour remplir cet objectif général, le projet se propose d’identifier des biomarqueurs pour améliorer le diagnostic, la détection du stade de la maladie et la prédiction du devenir fonctionnel. PsyCARE vise aussi à l’identification de cibles thérapeutiques. Dans ce cadre, un certain nombre d’outils doivent être développés, comme de nouveaux outils portables qui faciliteraient l’évaluation motrice, l’analyse automatique du texte et de la parole, ainsi qu’une application pour l’entraînement cognitif personnalisé et une autre centrée sur le patient facilitant la gestion des cas et l’engagement du patient. Finalement, un système d’aide à la décision guidera la stratégie thérapeutique personnalisée. 

Apporter une réelle aide à la pratique médicale

Pour qu’une application soit utilisée par le médecin dans sa pratique quotidienne, il ne suffit pas qu’elle rende le service qu’on lui demande, il faut également que le système soit utilisable sans surcharge cognitive ! Par exemple un système conçu pour alerter sur de possibles contre-indications médicamenteuses ne doit pas saturer le praticien d’alertes « justes », mais non adaptées au contexte clinique du patient. Ainsi, au lieu de donner une alerte chaque fois qu’une contre-indication se présente, les nouvelles interfaces posent en amont des questions sur le patient, afin de réduire le nombre d’alertes et, ainsi, la tendance du médecin à débrancher une machine « importune ». 

Donner les moyens de comprendre la décision

Pour être acceptables ou légitimes, voire pour être écartées car jugées non pertinentes, les décisions de l’algorithme doivent pouvoir être comprises, donc expliquées. Un avantage majeur des approches symboliques est de permettre de tracer le cheminement du raisonnement. Mais même dans ce cas, le nombre de micro-raisonnements effectués par la machine est tel qu’il n’est pas pensable de tous les afficher. C’est pourquoi des chercheurs travaillent actuellement sur la manière de décrire ces raisonnements « en classes explicites », afin de mettre en avant les décisions les plus importantes. Seule une bonne compréhension des solutions proposées par l’application peut en effet permettre au médecin de discuter avec son patient et de lui exposer les alternatives possibles. 

Les approches numériques s’apparentent en revanche à une boîte noire, incapable de justifier ses décisions : nul ne sait ce que fait l’algorithme. Comment, dès lors, endosser la responsabilité de la décision médicale ? Les données d’apprentissage sont en particulier biaisées par les préjugés de l’époque et ceux des concepteurs. L’algorithme tend donc à reproduire, voire renforcer, ces mêmes préjugés. Dans le domaine médical, les biais principaux sont dus à la surreprésentation d’une catégorie de personnes, comme les personnes âgées ou des patients d’origine géographique particulière. 

Sciences cognitives : source d’inspiration et domaine d’application

Malgré les énormes capacités de calcul offertes par les ordinateurs actuels, aucune application existante ne peut s’afficher comme réellement intelligente : elle devrait pour cela être multitâche et capable de réagir correctement dans des situations non prévisibles et non préprogrammées. On est encore très loin du compte. 

Pour progresser dans cette voie les chercheurs essaient de comprendre le comportement des neurones et de leurs connexions, afin d’être en mesure de mimer le cerveau. Cette démarche permettra peut-être un jour de créer des robots imitant l’intelligence humaine. En attendant elle contribuera à mieux comprendre le fonctionnement de cet organe et à mieux appréhender les causes de certaines maladies d’origine cérébrale comme Alzheimer, Parkinson ou la maladie de Charcot. C’est l’objectif qui motive la participation de l’Union européenne, dans le cadre de son initiative phare Technologies futures et émergentes, au Human brain project. Ce projet vise à construire une infrastructure informatique de classe mondiale, qui pourra être utilisée par la communauté scientifique pour simuler le fonctionnement cérébral dans des conditions expérimentales particulières. 

L’enjeu du futur est de combiner les approches

Des projets tentent de combiner les approches symboliques et d’apprentissage, afin de bénéficier à la fois du raisonnement de l’un et des performances de l’autre. Ainsi, dans le projet PsyCARE cité plus haut, la construction d’ontologies (IA symbolique) utilise l’expertise médicale et des algorithmes numériques de fouille de texte. 

Autre exemple, l’interprétation d’images médicales est d’une importance majeure pour le diagnostic, le suivi des patients ou encore la préparation d’une intervention chirurgicale. Il s’agit de détecter, segmenter et reconnaître des structures anatomiques normales et pathologiques, et d’en proposer des visualisations 3D. Pour répondre à la difficulté de ces tâches, il est important de combiner les informations numériques extraites des images, donc spécifiques au patient, à des modèles génériques, représentant les connaissances anatomiques sous la forme de bases de connaissances, d’ontologies, de graphiques… C’est en particulier crucial avec les images pédiatriques qui doivent être acquises sur des durées aussi brèves que possible et qui montrent des structures souvent de petite taille et de grande variabilité d’un patient à l’autre. 

Cette double approche est aussi particulièrement pertinente pour exploiter les données « variées » des patients (génomiques, cliniques, d’imagerie et d’analyses biologiques) qui seront regroupées sur une même plateforme dans le cadre du Plan France médecine génomique 2025. L’IA permettra de gérer ce nombre considérable de données en fournissant des classifications ou des ontologies de description des éléments cliniques des patients. L’apprentissage automatique permettra d’identifier des profils de patients tenant compte de toutes ces données. Il sera alors possible de personnaliser les soins et d’améliorer leur taux de réussite, notamment, dans un premier temps, pour les cancers, les maladies rares et le diabète. 

Enfin, le nœud du problème se situe au niveau du transfert de connaissances entre l’humain et la machine, transfert qui nécessite d’une part des progrès méthodologiques mais également une collaboration approfondie entre experts de disciplines différentes.

De la même façon que les biostatisticiens et les bio-informaticiens ont intégré les laboratoires de recherche médicale il y a quelques décennies, une discipline et un métier nouveaux doivent être créés, qui permettent de dépasser les collaborations interdisciplinaires actuelles et d’intégrer réellement la science des données et des connaissances dans les activités de recherche et de soin.

Pour aller plus loin

• Donner un sens à l’intelligence artificielle (IA) – Rapport de Cédric Villani (2018)
• Médecins et patients dans le monde des data, des algorithmes et de l’intelligence artificielle 
• Ethique de la recherche en apprentissage machine 
• Des machines enfin intelligentes ? 
• Demain, un ordinateur inspiré de notre cerveau ? 
• Qui est le propriétaire des données de ma santé ?