Les ordinateurs s'améliorent dans l'analyse des radiographies et des tomodensitogrammes. Les radiologues sentent le souffle chaud de l'intelligence artificielle sur leur cou.
Il y a presque exactement un an, un ordinateur a réussi à battre quatre des meilleurs joueurs de poker professionnels dans un tournoi No-Limit Texas Hold'em. C'était impressionnant :parce que les joueurs de poker ont des informations incomplètes et peuvent s'induire en erreur, le poker est plus complexe pour un ordinateur que les échecs ou le go.
Au cœur de cette victoire se trouve l'intelligence artificielle, un système qui permet aux ordinateurs d'effectuer des tâches d'une manière que nous, les humains, considérons comme intelligente. Les programmes informatiques doivent traiter d'énormes quantités de données. Ils utilisent ensuite des algorithmes d'auto-apprentissage pour en tirer des règles, qu'ils appliquent pour résoudre des tâches.
Aujourd'hui, l'intelligence artificielle est de plus en plus utilisée dans la recherche médicale. Des entreprises telles qu'IBM, Google et Philips investissent massivement dans le développement d'algorithmes d'apprentissage automatique qui peuvent avoir des applications dans les soins médicaux.
Le magazine scientifique américain IEEE Spectrum tient un tableau de bord sur lequel il indique qui est le vainqueur de la compétition imaginaire entre intelligence artificielle et médecins de chair et de sang. Les logiciels intelligents surpassent actuellement les médecins dans deux domaines. Il est leader à la fois dans le diagnostic de la pneumonie et dans la prédiction de l'autisme sur la base des scintigraphies cérébrales. Selon le magazine, l'intelligence artificielle est tout aussi capable de détecter le cancer du cerveau et le cancer de la peau que le meilleur médecin.
Les développements les plus rapides ont lieu dans le domaine de la radiologie, la spécialité qui détecte les maladies ou les blessures dans le corps avec des rayons X, des tomodensitogrammes et des IRM. Aujourd'hui, les radiologues s'appuient sur l'intelligence artificielle ou le deep learning pour étudier ces images. C'est le résultat d'une révolution dans la vision par ordinateur, la capacité des logiciels à reconnaître et à classer les objets dans les images.
En 2012, un logiciel développé par Alex Krizhevsky et Geoffrey Hinton (Université de Toronto) a réussi à remporter le soi-disant concours Image-Net avec un taux d'erreur inférieur à 25 %. C'était une percée. Lors de cette compétition annuelle, les logiciels doivent distinguer les chats, les chiens, les avions, les tondeuses à gazon et des centaines d'autres objets les uns des autres dans une collection de photos trouvées en ligne. En 2018, les ordinateurs relèvent le défi Image-Net avec moins de 2 % d'erreurs.
Ces progrès sont uniquement dus aux réseaux de neurones dits profonds. Il s'agit d'un logiciel qui imite le fonctionnement du système nerveux central avec des couches de neurones interconnectés. Un tel réseau n'apprend pas en se faisant dicter, mais en analysant de grandes quantités de données. Plus le logiciel a vu d'images de différents chats avec différentes couleurs et sous différents angles, mieux il sera en mesure de trouver un chat parmi une collection de milliers de photos.
Pourquoi est-ce si important? Si un tel réseau d'apprentissage en profondeur est capable de faire la distinction entre les chiens et les chats, vous pouvez en principe également l'entraîner à détecter des anomalies dans les rayons X, les tomodensitogrammes et les IRM.
Bram van Ginneken, professeur d'analyse d'images fonctionnelles à Radboudumc à Nimègue, est un pionnier dans le domaine de la reconnaissance d'images dans les applications médicales. Avant même que les réseaux de neurones ne commencent à décoller, il a développé le CAD4TB (Computer Aided Detection for Tuberculosis) en collaboration avec Delft Imaging Systems. Il s'agit d'un logiciel classique utilisé pour rechercher la tuberculose, une maladie hautement contagieuse, sur des photos numériques des poumons.
« CAD4TB est principalement utilisé dans les pays d'Asie et d'Afrique. La tuberculose y est courante, mais il y a trop peu de radiologues pour analyser les images », explique Van Ginneken.
Le logiciel accompagne les laboratoires mobiles sans radiologues, mais avec du matériel de radiologie. Dans un tel laboratoire, le personnel qualifié peut prendre 100 à 200 radiographies par jour. Il faut ensuite au logiciel environ une minute pour voir si l'image de la poitrine montre des anomalies évocatrices de la tuberculose. Si la réponse est positive, un test d'expectoration suivra. Cela peut déterminer de manière définitive s'il y a de la tuberculose dans les poumons, mais c'est aussi beaucoup plus cher.
Selon Van Ginneken, CAD4TB est maintenant aussi bon qu'un vrai radiologue pour détecter la tuberculose. Il souligne que l'analyse des images avec le logiciel est plus rapide, plus fiable et moins chère. « Le nombre de personnes âgées augmente, le nombre de scanners augmente. Les radiologues doivent voir plus d'images en moins de temps. Cela conduit à des erreurs. Vous pouvez éviter cela si vous disposez d'un support informatique.» Le radiologue peut également travailler plus rapidement. Le logiciel prend en charge toutes sortes de tâches de mesure, telles que le calcul de la taille d'une tumeur ou la détermination de la croissance d'une tumeur en comparant deux photos.
Van Ginneken est le fondateur de Thirona, une entreprise qui travaille sur un logiciel qui détecte la cécité liée à l'âge et le cancer en plus de la tuberculose. Ce logiciel s'appuie également sur des réseaux de neurones profonds. Van Ginneken :« Les programmeurs choisissent l'architecture de réseau de neurones que nous voulons utiliser et comment nous voulons la former. Mais ce que l'ordinateur doit calculer exactement, il le découvre par lui-même.» Ainsi, le logiciel s'entraîne lui-même. En plus d'ordinateurs très puissants, cela nécessite également de gigantesques ensembles de données. Dans ce cas, il s'agit de milliers de radiographies et de tomodensitogrammes avec les informations associées.
Thirona a également développé un logiciel qui utilise des tomodensitogrammes tridimensionnels pour analyser les poumons de patients atteints de MPOC (maladie pulmonaire obstructive chronique). «Les hôpitaux du monde entier nous envoient des tomodensitogrammes, et nous utilisons ensuite l'ordinateur pour vérifier si leurs patients sont éligibles pour un certain traitement», explique Van Ginneken. Après le test, Thirona envoie un rapport avec des conseils de traitement à l'hôpital en question. "Le médecin de l'hôpital en question prend ensuite la décision finale."
Il y a deux ans, Geoffrey Hinton a fait sensation dans le monde médical. Après tout, le père spirituel des réseaux de neurones profonds avait déclaré que cela n'avait plus de sens de former de nouveaux radiologues. Les algorithmes d'apprentissage automatique feront non seulement le travail des radiologues plus rapidement, mais aussi avec moins d'erreurs, a déclaré Hinton. Il a conclu que les radiologues pourraient cesser de l'utiliser dans un avenir prévisible.
Avec cette déclaration, Hinton a grandement alimenté le battage médiatique autour de l'intelligence artificielle. Mais Bram van Ginneken est sûr que ça n'ira pas aussi vite. «Avec une telle déclaration, vous ne faites que montrer que vous ne comprenez pas vraiment ce que font les radiologues.» Selon Van Ginniken, les radiologues recherchent des centaines d'indices dans les images avec lesquelles ils travaillent. Aujourd'hui, les logiciels ne peuvent pas prendre en charge plus de dix tâches.
Un autre défaut du logiciel est son incapacité à remettre en cause l'exactitude des images et des données. «Un radiologue peut, par exemple, déterminer qu'il y a des artefacts de mouvement dans un scan et qu'un nouveau scan est donc nécessaire», explique Van Ginneken. "Vous pouvez dresser une longue liste de raisons pour lesquelles un radiologue peut décider qu'une nouvelle analyse est nécessaire."
Andrew Ng, l'un des experts les plus éminents dans le domaine de l'intelligence artificielle, tente également de tempérer les attentes débordées. Il écrit que malgré tout le battage médiatique, les réseaux de neurones profonds ne font guère plus que résoudre des problèmes simples où les réseaux utilisent les données d'entrée « A » pour générer rapidement une réponse simple « B ». En pratique, selon Ng, cela signifie que l'intelligence artificielle est pour l'instant d'une utilité très limitée. En fait, il ne peut prendre en charge que les tâches mentales qu'une personne effectue également en une seconde.
Désormais, les radiologues effectuent plusieurs tâches qui relèvent du schéma simple entrée-A-sortie-B de Ng. Van Ginneken mentionne un exemple où A est une radiographie d'un thorax et B est la réponse à la question "y a-t-il un nodule visible ?" Un programme peut répondre à cette question en une seconde.
Le problème est que les algorithmes ne peuvent pas vraiment raisonner sur des problèmes plus complexes. Ils peuvent reconnaître un chat sur une photo, mais ils n'ont toujours aucune idée de ce qu'est réellement un chat. Pour ce faire, l'intelligence artificielle doit d'abord se développer davantage.
Dans un futur proche, les algorithmes d'apprentissage automatique devraient principalement servir à prendre en charge les tâches simples des radiologues. L'intelligence artificielle peut soutenir et simplifier le travail du radiologue. Bien qu'il y ait encore des problèmes. Et si le logiciel et le radiologue arrivaient à des conclusions différentes ? «L'inconvénient d'un réseau d'apprentissage en profondeur est qu'un certain jugement est atteint, mais que l'utilisateur ne sait pas comment l'ordinateur parvient à ce jugement», explique Van Ginniken. "Le logiciel signale que quelque chose est anormal, mais ne dit pas pourquoi il pense que c'est le cas."
Les experts prédisent que l'intelligence artificielle va prendre le pas sur la pensée routinière des gens. Du coup, les pessimistes voient disparaître beaucoup de travail pour les comptables, les notaires, les ingénieurs et donc aussi les médecins. Bien que tous ces programmes devront d'abord démontrer qu'ils sont fiables et sûrs. Dans les soins médicaux, il s'agit de vies. Ce n'est pas un jeu de poker.
