Comment l'intelligence artificielle facilite les diagnostics médicaux

Aujourd'hui, les algorithmes de l'intelligence artificielle (IA) ont besoin de dizaines de milliers d'images médicales très couteuses pour détecter une maladie chez un patient. Que se passerait-il si nous parvenons à réduire drastiquement le temps d'apprentissage de l'IA pour rendre ses diagnostics bon marché et plus efficaces ? Le docteur Pratik Shah TED Fellow, travaille sur un système plus malin qui a cet objectif précis. Sur base d'une approche peu orthodoxe de l'IA, il a développé une technologie qui nécessite à peine 50 images pour développer un algorithme fonctionnel. Il peut même fournir un diagnostic sur base de photos prises par les médecins sur leur smartphone. Il nous explique comment cette nouvelle méthode d'analyse des données médicales peut mener à des détections précoces de maladies mortelles et comment un diagnostic assisté par l'IA peur conduire à une amélioration de la santé au niveau mondial.

Les algorithmes réalisent aujourd'hui,
des tâches incroyables,

avec haute précision,
à une échelle massive,

basés sur une intelligence
similaire à l'homme.

Cette forme d'intelligence des ordinateurs
est souvent appelée IA,

l'intelligence artificielle.

L'IA est sur le point d'avoir un impact
extraordinaire sur nos vies.

Toutefois, il nous reste des défis majeurs

pour détecter et diagnostiquer
plusieurs maladies mortelles

comme les maladies infectieuses
ou le cancer.

Chaque année, des milliers de patients

perdent la vie à cause du cancer
du foie ou buccal.

Notre meilleur moyen à disposition
pour aider ces patients

est une détection et un diagnostic
précoces de ces affections.

Comment ces maladies sont-elles détectées
et l'usage de l'IA fait-il sens ?

Quand un patient, malheureusement,
semble avoir une de ces affections,

le spécialiste va d'abord requérir

des analyses très onéreuses

avec des technologies
d'imagerie médicale

telles l'imagerie par fluorescence,
une tomodensitométrie ou un IRM.

Une fois les images à disposition,

un autre spécialiste en fait un diagnostic
et parle avec le patient.

Vous le constatez, ce processus exige
beaucoup de ressources,

deux médecins spécialistes,
de l'imagerie médicale très onéreuse,

et ce n'est pas envisageable
dans les pays en développement.

Ni d'ailleurs dans de nombreuses
nations industrialisées.

Peut-on résoudre ce problème
avec l'intelligence artificielle ?

Actuellement, si nous utilisons
les architectures classiques d'IA

pour résoudre ce problème,
nous aurions besoin de 10 000 --

j'insiste -- de générer 10 000
de ces images médicales si chères.

Ensuite, nous les confierions
à un spécialiste

qui les analyserait à notre attention.

A partir ces deux informations,

je peux former un réseau de neurones,
ou réseau d'apprentissage profond,

à réaliser des diagnostics de patients.

D'autres approches similaires,

des approches traditionnelles de l'IA,
sont pénalisées par le même problème :

un volume important de données,
des médecins spécialistes

et des experts en imagerie médicale.

Pourrions-nous concevoir
des architectures d'IA

plus évolutives,
plus efficaces et plus utiles,

pour résoudre ces problèmes cruciaux
auxquels nous sommes confrontés ?

C'est précisément ce que nous faisons
au Media Lab du MIT.

Nous avons inventé une série
d'architectures d'IA inhabituelles

pour résoudre les défis
les plus importants

dans l'imagerie médicale
et les tests cliniques.

Dans l'exemple que je vous ai montré,
nous avions deux objectifs.

Le premier consiste
à réduire le nombre d'images

nécessaire pour former
les algorithmes de l'IA.

Notre deuxième objectif, plus ambitieux,

est de vouloir réduire l'usage
de technologies d'imagerie médicale chères

pour examiner les patients.

Comment avons-nous fait ?

Pour le premier objectif,

au lieu de commencer
avec des dizaines de milliers

d'images médicales chères,
comme pour une IA traditionnelle,

on a commencé avec une seule image.

À partir de cette image, avec mon équipe,
on a trouvé une manière très ingénieuse

d'extraire des milliards
de paquets de données.

Ces paquets d'informations incluent
des couleurs, des pixels, la géométrie,

et le rendu de la maladie
sur l'image médicale.

En fait, on a converti une image
en milliards de données de formation,

réduisant ainsi massivement le volume
de données nécessaire à cette formation.

Pour notre 2e objectif, réduire l'usage
de technologies d'imagerie médicale

pour examiner les patients,

on a commencé avec une photo
normale, à la lumière du jour,

prise avec un appareil photographique
reflex mono-objectif, ou un smartphone.

Souvenez-vous maintenant
des milliards de paquets d'informations.

On les a superposés
à partir de l'image médicale,

créant ce qu'on appelle
une image composite.

À notre grande surprise,
nous n'avons eu besoin de seulement 50,

j'insiste, seulement 50,

de ces images composites
pour entraîner notre algorithme

et le rendre très efficient.

Pour résumer notre approche,

au lieu d'utiliser 10 000 images
médicales très chères,

nous pouvons former les algorithmes
de l'IA avec des moyens non traditionnels

et utiliser seulement 50 photos
de haute résolution certes, mais standard,

prises avec des appareils photos
et des smartphones,

et réaliser un diagnostic.

Plus important,

nos algorithmes travaillent
déjà aujourd'hui

avec de simples photos des patients
prises à la lumière du jour

en lieu et place des technologies
onéreuses d'imagerie médicale.

Je suis convaincu que nous sommes
sur le point d'entrer dans une ère

où l'intelligence artificielle va avoir
un impact incroyable sur notre avenir.

Et je pense au sujet
de l'IA traditionnelle,

riche en données
mais avec peu d'application,

que nous devrions persévérer
dans le développement

d'architectures d'IA non orthodoxes

capables d'accepter
des petits volumes de données

et résoudre nos problèmes
les plus importants,

principalement dans la santé.

Merci beaucoup.

(Applaudissements)