Comment l'intelligence artificielle facilite les diagnostics médicaux
-
0:01 - 0:05Les algorithmes réalisent aujourd'hui,
des tâches incroyables, -
0:05 - 0:08avec haute précision,
à une échelle massive, -
0:08 - 0:10basés sur une intelligence
similaire à l'homme. -
0:10 - 0:14Cette forme d'intelligence des ordinateurs
est souvent appelée IA, -
0:14 - 0:16l'intelligence artificielle.
-
0:16 - 0:20L'IA est sur le point d'avoir un impact
extraordinaire sur nos vies. -
0:21 - 0:25Toutefois, il nous reste des défis majeurs
-
0:25 - 0:28pour détecter et diagnostiquer
plusieurs maladies mortelles -
0:28 - 0:31comme les maladies infectieuses
ou le cancer. -
0:32 - 0:34Chaque année, des milliers de patients
-
0:34 - 0:37perdent la vie à cause du cancer
du foie ou buccal. -
0:38 - 0:41Notre meilleur moyen à disposition
pour aider ces patients -
0:41 - 0:45est une détection et un diagnostic
précoces de ces affections. -
0:46 - 0:50Comment ces maladies sont-elles détectées
et l'usage de l'IA fait-il sens ? -
0:52 - 0:56Quand un patient, malheureusement,
semble avoir une de ces affections, -
0:56 - 0:58le spécialiste va d'abord requérir
-
0:58 - 1:00des analyses très onéreuses
-
1:00 - 1:02avec des technologies
d'imagerie médicale -
1:02 - 1:05telles l'imagerie par fluorescence,
une tomodensitométrie ou un IRM. -
1:05 - 1:07Une fois les images à disposition,
-
1:07 - 1:12un autre spécialiste en fait un diagnostic
et parle avec le patient. -
1:13 - 1:16Vous le constatez, ce processus exige
beaucoup de ressources, -
1:16 - 1:20deux médecins spécialistes,
de l'imagerie médicale très onéreuse, -
1:20 - 1:24et ce n'est pas envisageable
dans les pays en développement. -
1:24 - 1:27Ni d'ailleurs dans de nombreuses
nations industrialisées. -
1:28 - 1:31Peut-on résoudre ce problème
avec l'intelligence artificielle ? -
1:32 - 1:36Actuellement, si nous utilisons
les architectures classiques d'IA -
1:36 - 1:39pour résoudre ce problème,
nous aurions besoin de 10 000 -- -
1:39 - 1:44j'insiste -- de générer 10 000
de ces images médicales si chères. -
1:44 - 1:47Ensuite, nous les confierions
à un spécialiste -
1:47 - 1:49qui les analyserait à notre attention.
-
1:50 - 1:52A partir ces deux informations,
-
1:52 - 1:55je peux former un réseau de neurones,
ou réseau d'apprentissage profond, -
1:55 - 1:57à réaliser des diagnostics de patients.
-
1:57 - 1:59D'autres approches similaires,
-
1:59 - 2:03des approches traditionnelles de l'IA,
sont pénalisées par le même problème : -
2:03 - 2:06un volume important de données,
des médecins spécialistes -
2:06 - 2:08et des experts en imagerie médicale.
-
2:08 - 2:13Pourrions-nous concevoir
des architectures d'IA -
2:13 - 2:16plus évolutives,
plus efficaces et plus utiles, -
2:16 - 2:19pour résoudre ces problèmes cruciaux
auxquels nous sommes confrontés ? -
2:19 - 2:22C'est précisément ce que nous faisons
au Media Lab du MIT. -
2:22 - 2:26Nous avons inventé une série
d'architectures d'IA inhabituelles -
2:26 - 2:29pour résoudre les défis
les plus importants -
2:29 - 2:32dans l'imagerie médicale
et les tests cliniques. -
2:32 - 2:36Dans l'exemple que je vous ai montré,
nous avions deux objectifs. -
2:36 - 2:39Le premier consiste
à réduire le nombre d'images -
2:39 - 2:42nécessaire pour former
les algorithmes de l'IA. -
2:42 - 2:44Notre deuxième objectif, plus ambitieux,
-
2:44 - 2:48est de vouloir réduire l'usage
de technologies d'imagerie médicale chères -
2:48 - 2:49pour examiner les patients.
-
2:49 - 2:50Comment avons-nous fait ?
-
2:51 - 2:52Pour le premier objectif,
-
2:52 - 2:55au lieu de commencer
avec des dizaines de milliers -
2:55 - 2:57d'images médicales chères,
comme pour une IA traditionnelle, -
2:57 - 2:59on a commencé avec une seule image.
-
2:59 - 3:03À partir de cette image, avec mon équipe,
on a trouvé une manière très ingénieuse -
3:03 - 3:06d'extraire des milliards
de paquets de données. -
3:06 - 3:10Ces paquets d'informations incluent
des couleurs, des pixels, la géométrie, -
3:10 - 3:12et le rendu de la maladie
sur l'image médicale. -
3:12 - 3:17En fait, on a converti une image
en milliards de données de formation, -
3:17 - 3:20réduisant ainsi massivement le volume
de données nécessaire à cette formation. -
3:20 - 3:24Pour notre 2e objectif, réduire l'usage
de technologies d'imagerie médicale -
3:24 - 3:25pour examiner les patients,
-
3:25 - 3:28on a commencé avec une photo
normale, à la lumière du jour, -
3:28 - 3:32prise avec un appareil photographique
reflex mono-objectif, ou un smartphone. -
3:32 - 3:36Souvenez-vous maintenant
des milliards de paquets d'informations. -
3:36 - 3:38On les a superposés
à partir de l'image médicale, -
3:39 - 3:41créant ce qu'on appelle
une image composite. -
3:41 - 3:45À notre grande surprise,
nous n'avons eu besoin de seulement 50, -
3:45 - 3:46j'insiste, seulement 50,
-
3:46 - 3:49de ces images composites
pour entraîner notre algorithme -
3:49 - 3:51et le rendre très efficient.
-
3:51 - 3:52Pour résumer notre approche,
-
3:52 - 3:55au lieu d'utiliser 10 000 images
médicales très chères, -
3:55 - 3:59nous pouvons former les algorithmes
de l'IA avec des moyens non traditionnels -
3:59 - 4:03et utiliser seulement 50 photos
de haute résolution certes, mais standard, -
4:03 - 4:05prises avec des appareils photos
et des smartphones, -
4:05 - 4:07et réaliser un diagnostic.
-
4:07 - 4:08Plus important,
-
4:08 - 4:11nos algorithmes travaillent
déjà aujourd'hui -
4:11 - 4:14avec de simples photos des patients
prises à la lumière du jour -
4:14 - 4:17en lieu et place des technologies
onéreuses d'imagerie médicale. -
4:17 - 4:20Je suis convaincu que nous sommes
sur le point d'entrer dans une ère -
4:20 - 4:25où l'intelligence artificielle va avoir
un impact incroyable sur notre avenir. -
4:25 - 4:27Et je pense au sujet
de l'IA traditionnelle, -
4:27 - 4:30riche en données
mais avec peu d'application, -
4:30 - 4:33que nous devrions persévérer
dans le développement -
4:33 - 4:35d'architectures d'IA non orthodoxes
-
4:35 - 4:37capables d'accepter
des petits volumes de données -
4:37 - 4:40et résoudre nos problèmes
les plus importants, -
4:40 - 4:41principalement dans la santé.
-
4:41 - 4:42Merci beaucoup.
-
4:42 - 4:46(Applaudissements)
- Title:
- Comment l'intelligence artificielle facilite les diagnostics médicaux
- Speaker:
- Pratik Shah
- Description:
-
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.
- Video Language:
- English
- Team:
closed TED
- Project:
- TEDTalks
- Duration:
- 04:59
![]() |
eric vautier approved French subtitles for How AI is making it easier to diagnose disease | |
![]() |
eric vautier edited French subtitles for How AI is making it easier to diagnose disease | |
![]() |
eric vautier edited French subtitles for How AI is making it easier to diagnose disease | |
![]() |
Alice Gabillault accepted French subtitles for How AI is making it easier to diagnose disease | |
![]() |
Alice Gabillault edited French subtitles for How AI is making it easier to diagnose disease | |
![]() |
Alice Gabillault edited French subtitles for How AI is making it easier to diagnose disease | |
![]() |
Claire Ghyselen edited French subtitles for How AI is making it easier to diagnose disease | |
![]() |
Claire Ghyselen edited French subtitles for How AI is making it easier to diagnose disease |