2018 Intelligence Artificielle Et Santé - Inserm - La Science Pour La Santé

04/11/2018 Intelligence artificielle et santé | Inserm - La science pour la santé
Intelligence arti cielle et santé

Des algorithmes au service de la médecine
L’intelligence arti cielle (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 e et au cœur de la médecine du futur, avec les opérations assistées, le suivi des patients à
distance, les prothèses intelligentes, les traitements personnalisés grâce au recoupement d’un nombre croissant
de données (big data), etc.
Les chercheurs développent pour cela 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 !
Comprendre l’IA
L’intelligence arti cielle 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 arti cielle 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 arti cielle 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 pro ls d'amis possibles sur les réseaux sociaux, identi er des dates dans
les textes pour classer des dépêches d’agence, aider le médecin à prendre des décisions, etc. 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.
https://www.inserm.fr/information-en-sante/dossiers-information/intelligence-artificielle-et-sante 1/8
Les domaines d’application de l’IA en

médecine
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, classi cation, hiérarchisation…). Les systèmes conçus sur ce principe appliquent
di érentes 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 (identi cation 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, quali és d’aide à la décision, de gestion des connaissances ou d’e-santé, sont
plus sophistiqués. Ils béné cient 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
e caces 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.
Aider à la prise en charge des cancers du sein

Des équipes du Laboratoire d'informatique médicale et d'ingénierie des connaissances en
e-santé (LIMICS, unité Inserm 1142) et de l'Assistance Publique - Hôpitaux de Paris,
participent à un projet européen, Desiree, qui s’appuie sur l’approche symbolique pour
aider les cliniciens dans le traitement et le suivi des patientes atteintes de cancers du
sein. Ces maladies très complexes nécessitent en e et souvent des adaptations de
protocoles classiques.
La plateforme Desiree intègre les recommandations de bonne pratique par la mise en

œuvre d'un raisonnement fondé sur une ontologie. Le système peut également apprendre
à partir des cas déjà résolus (reproduction des décisions prises pour des cas similaires au
cas clinique à résoudre), ou d'un raisonnement par expérience (réutilisation de décisions
qui étaient non conformes aux recommandations, sur la base de critères explicités dans la
justi cation du non-suivi des recommandations). L’enrichissement continu de la base de cas
permet de faire évoluer les propositions du système pour l'aide à la prise en charge
thérapeutique des patientes.
La principale di culté 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 arti ciels
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, s’inspirent du fonctionnement cérébral : ils simulent
un réseau de neurones organisés en di érentes 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 Fond d’œil. Ce fond d’œil montre la répartition des points de
grands échantillons d’apprentissage : 50 000 coagulation proposée par un logiciel de pilotage du laser pour traiter
une rétinopathie diabétique. L’IA permet de dépister automatiquement
images dans le cas des mélanomes, et 128 les patients qui devraient pouvoir subir une telle intervention. ©
000 dans celui des rétinopathies, ont été National Eye Institute, NIH.
nécessaires pour entraîner l’algorithme à

identi er les signes de pathologies. Pour chacune de ces images on lui indique si elle présente ou non
des signes pathologiques. A la n de l’apprentissage, l’algorithme arrive à reconnaître avec une
excellente performance de nouvelles images présentant une anomalie.
La robotique en pleine expansion

La robotique est un sous-domaine spéci que de l’IA. Elle vise à augmenter l’autonomie des
machines en les dotant de capacités perceptuelles, décisionnelles et d’action.
La chirurgie assistée par ordinateur en est sans doute un des versants le plus connu. Elle
permet aujourd’hui d’améliorer la précision des gestes ou d’opérer à distance.
Les prothèses intelligentes visent quant à elles à réparer, voire augmenter le corps
humain : membres ou organes arti ciels (bras, cochlée, cœur, sphincter…), simulateur
cardiaque, etc.
Les robots d’assistance aux personnes, âgées ou fragiles par exemple, représentent un
troisième secteur très médiatisé et en fort développement. Cette robotique de service vise à
imiter le vivant et à interagir avec les humains. Elle soulève de nombreux problèmes
éthiques, portant notamment sur la protection de la vie privée et des données
personnelles, mais aussi sur les conséquences d’un brouillage de la frontière humain-robot.
Une frontière qui peut être vite franchie par l’utilisateur.
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 doit également être justi é 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 goulot d’étranglement : la qualité de l’échantillon de données
L’approche numérique peut se prévaloir de grandes 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 xe 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
interrégimes de l’Assurance Maladie). Cette base stocke toutes les prescriptions de médicaments, la
description des maladies et les actes hospitaliers. Elle est toutefois délicate à exploiter, car la base a
été créée pour l’analyse économique des prestations de santé et non pour une analyse médicale.
Ainsi, une personne hospitalisée pour un problème respiratoire sera traitée pour ce problème sans
nécessairement faire mention du cancer qui l’a ecte par ailleurs. On relève, dans certains cas, 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.
Protéger les données personnelles

Une plateforme nationale de santé regroupant toutes les données santé de la population
est une ressource inestimable pour les praticiens, mais aussi pour la recherche médicale et
pharmaceutique. Néanmoins on doit s’assurer que ces données sont utilisées à bon escient
et dans le respect des lois, en particulier du règlement général sur les données personnelles
(RGPD) entrée en vigueur en mai 2018 et de la loi pour une république numérique de 2016.
Dans ce cadre, les données personnelles ne sont pas la propriété du patient, ni celle de
l’organisme qui les collecte. Les Français sont usufruitiers de leurs données : ils peuvent en
disposer mais non les vendre. D’autre part, le traitement de ces données est conditionné au
consentement éclairé de la personne concernée. En France, les données de santé sont
anonymisées pour être accessibles par les chercheurs, uniquement sur des projets
autorisés.
Croiser les multiples données textuelles relatives aux patients
Autre problème soulevé par l’exploitation des données médicales, 80% des informations sur les
patients sont textuelles (comptes rendus d’hospitalisation ou rapports d’imagerie par exemple). Il s’agit
alors de mettre en œuvre des logiciels de traitement automatique des langues pour analyser ces
textes et en extraire des informations sur le patient (fouille de données).
Ces logiciels peuvent mobiliser une approche symbolique ou des approches fondées sur les réseaux
de neurones. Les algorithmes d’apprentissage non supervisé (sans apprentissage préalable sur des
échantillons) suscitent des espoirs dans ce domaine : ils permettent en e et de recouper rapidement
un très grand nombre de données a n d’établir des structures cachées et de déterminer des
catégories d’intérêt pour la tâche visée. On espère de cette façon pouvoir mieux identi er des facteurs
de risques, personnaliser les traitements et en véri er l’e cacité, prédire les épidémies ou améliorer
la pharmacovigilance.
Ces algorithmes peuvent être très performants mais nécessitent encore beaucoup de recherches
avant de pouvoir être utilisés de façon able.
Fournir l’information au bon moment et au bon niveau
Depuis quelques années, des projets plus ciblés dans leurs objectifs se concrétisent. Par exemple, en
2010, les chercheurs du LIMICS ont participé à la conception d’un logiciel de traitement automatique
des langues dans le cadre du projet Lerudi (pour Lecture rapide en urgence du dossier informatique du
patient). Ils ont piloté le développement de l’ontologie des urgences qui entre dans la mise au point
d’un prototype de moteur de fouille du dossier médical du patient ou du futur dossier médical partagé
de la CNAM. Destiné aux urgentistes, l’outil doit répondre à leurs besoins, en l’occurrence, porter à
leur connaissance des informations essentielles (comme les prescriptions médicamenteuses qui
permettent d’identi er des pathologies préexistantes) dans les quelques minutes dont ils disposent
pour prendre une décision.
Ontologie convergeant vers un diagnostic d’appendicite dans le cadre du projet Lerudi. Dans le contexte de l’IA symbolique, les connaissances
sur un domaine médical sont organisées dans une ontologie, c’est-à-dire un ensemble structuré de concepts et de leurs relations, qui décrit un
domaine en respectant des principes des langages formels. Une ontologie fournit un modèle de données permettant de raisonner à l’intérieur
du domaine en question.
Par ailleurs, 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, entre en phase de tests en 2019.
Il est soutenu par une ontologie qui fournit un modèle centré sur les signes du domaine, avec les
relations entre les signes des di érents types de grossesse extra-utérine, les structures anatomiques
et les éléments techniques. Ce système permet au médecin de sélectionner un type de GEU et de se
voir proposer les signes pertinents à rechercher et les images de référence associées.
OPPIO : un outil d’aide à la décision en imagerie médicale développé en collaboration avec l'Inserm.
L’interface permet de mieux analyser les images échographiques de grossesses débutantes et
propose des protocoles personnalisés d’aide au diagnostic.
crédits : F Dhombres, unité Inserm 1142/AP-HP, Hôpital Trousseau, service de médecine fœtale/Médecine Sorbonne Université/SATT-Lutech
Apporter une réelle aide à la pratique médicale

Pour qu’une application soit utilisée par le médecin dans sa pratique quotidienne, il ne su t pas
qu’elle rende le service qu’on lui demande, il faut également que le système soit commode ! 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, a n 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 e ectués par la machine est tel qu’il n’est pas
pensable de tous les a cher. C’est pourquoi des chercheurs travaillent actuellement sur la manière de
décrire ces raisonnements "en classes explicites", a n de mettre en avant les décisions les plus
importantes. Seule une bonne compréhension des solutions proposées par l’application peut en e et
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 justi er 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.
L’enjeu du futur est de combiner les approches
Des projets tentent de combiner les approches symbolique et d’apprentissage, a n de béné cier
à la fois du raisonnement de l’un et des performances de l’autre. Ainsi, dans le projet Lerudi cité
plus haut, la construction d’ontologies (IA symbolique) est faite à partir d’algorithmes numériques de
fouille de texte.
Autre exemple, l'interprétation d'images médicales pédiatrique 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 di culté de ces tâches, il est important de
combiner les informations numériques extraites des images, donc spéci ques 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 classi cations ou des ontologies de description
des éléments cliniques des patients. L’apprentissage automatique permettra d’identi er des pro ls 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.
Aider le médecin et non le remplacer

Certains voient dans les applications médicales de l’IA la possibilité de remplacer le
médecin, que ce soit pour pallier les déserts médicaux ou bien pour ltrer les patients et les
orienter. Mais l’utilisation par le public de ces logiciels sans supervision médicale soulève
des questions éthiques importantes. Le système réduit la relation au médecin à un acte
technique. Il laisse le patient à ses interrogations et ses angoisses.
Par ailleurs, le risque que le médecin abdique devant la machine « qui sait mieux que lui »
est réel. Il peut être amené à endosser une décision qui n’est pas la sienne et découvrir
après coup que la machine s’est trompée. Pour éviter cet écueil, le médecin, seul habilité à
porter un diagnostic, doit pouvoir garder son autonomie face à la machine. Il doit être en
mesure de comprendre le pourquoi et le comment des décisions a chées, et de les
contourner si besoin.
Dans cet objectif la commission de ré exion sur l’éthique de la recherche en sciences et

technologie du numérique d’Allistene (Cerna) souligne la nécessité de concevoir des
systèmes dont le fonctionnement est transparent, explicité et traçable, et qui
e ectuent les tâches spéci ées en respectant des contraintes explicites. Pour des
systèmes d’aide à la décision fondés sur des algorithmes d’apprentissage, le respect de
cette conformité n’est pas évident.
Sciences cognitives : source d’inspiration et domaine d’application

Malgré les énormes capacités de calcul o ertes par les ordinateurs actuels, aucune application
existante ne peut s’a cher comme réellement intelligente : elle devrait pour cela être multitâches
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, a n 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
scienti que pour simuler le fonctionnement cérébral dans des conditions expérimentales
particulières.
POUR ALLER PLUS LOIN
Intelligence arti cielle et robotisation – ressources proposées dans

le cadre des Etats généraux de la bioéthique (2018)
Donner un sens à l'intelligence arti cielle (IA) – rapport de la
mission Villani (mars 2018)
Médecins et patients dans le monde des data, des algorithmes et
de l’intelligence arti cielle – livre blanc du Conseil national de
l’Ordre des médecins
Ethique de la recherche en apprentissage machine - rapport de la
Commission de ré exion sur l’éthique de la recherche en sciences et
technologies du numérique d’Allistene (novembre 2014)
Des machines en n intelligentes ? – CNRS Le journal (26/12/2017)
Demain, un ordinateur inspiré de notre cerveau ? – CNRS Le
journal (12/01/2018)
Qui est le propriétaire des données de ma santé ? – article de Kim
Boyer, The Conversation (février 2017)

2018 Intelligence Artificielle Et Santé - Inserm - La Science Pour La Santé

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2018 Intelligence Artificielle Et Santé - Inserm - La Science Pour La Santé

Transféré par

Droits d'auteur :

Formats disponibles

04/11/2018 Intelligence artificielle et santé | Inserm - La science pour la santé

Intelligence arti cielle et santé

Les domaines d’application de l’IA en

Certains systèmes d’IA utilisent la logique…

Aider à la prise en charge des cancers du sein

La plateforme Desiree intègre les recommandations de bonne pratique par la mise en

La principale di culté de l’approche symbolique est la modélisation des connaissances (description du

…D’autres exploitent l’expérience passée

Des applications de deep learning existent en

nécessaires pour entraîner l’algorithme à

La robotique en pleine expansion

Les enjeux de la recherche

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

Protéger les données personnelles

Croiser les multiples données textuelles relatives aux patients

Apporter une réelle aide à la pratique médicale

Donner les moyens de comprendre la décision

L’enjeu du futur est de combiner les approches

Aider le médecin et non le remplacer

Dans cet objectif la commission de ré exion sur l’éthique de la recherche en sciences et

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

POUR ALLER PLUS LOIN

Intelligence arti cielle et robotisation – ressources proposées dans

Vous aimerez peut-être aussi