Des chercheurs spécialisés dans le traitement de données et des supercalculateurs... à l'hôpital. L'image n'a rien d'incongru : c'est un impératif pour faire progresser la recherche, à l'heure où l'intelligence artificielle multiplie les prouesses dans le domaine médical : amélioration des images médicales, diagnostics plus précoces, préparation des interventions chirurgicales, proposition de traitements personnalisés (ce qu'on appelle médecine de précision)... Oui, mais avant de voir l'intelligence artificielle en clinique, encore faut-il concevoir, avec les médecins et les chercheurs en intelligence artificielle, le matériel informatique qui abritera ces algorithmes tout en garantissant rapidité et efficacité. Nvidia, fabricant de semi-conducteurs, notamment utilisés en IA, a annoncé à Munich, à l'occasion de sa conférence européenne GTC (pour GPU Technology Conference), un partenariat avec le King's College de Londres (KCL) impliquant 4 hôpitaux de la ville : King's College Hospital, Guy's and St Thomas, South London, et Maudsley. C'est le premier partenariat médical noué par Nvidia en Europe ! Un défi qui implique notamment de laisser les algorithmes apprendre des données médicales... mais sans les centraliser, impératif de confidentialité oblige.
Pourquoi placer un supercalculateur au laboratoire (puis en clinique)
Le monde médical paraît a priori lointain de celui des véhicules autonomes, où Nvidia est un fournisseur de premier plan. "Il y a de nombreuses analogies entre la voiture autonome et l'imagerie médicale, détaille Kimberly Powell, vice-président de la division santé de la firme. Dans les deux cas, c'est une boucle qui enchaîne vision, raisonnement et décision, où il s'agit d'être le plus rapide et le plus fiable possible. Notre souhait, c'est qu'à terme, le médecin n'ait pas à se préoccuper du matériel (hardware)."
R&D. Mais d'ici là, il s'agira pour Nvidia d'éprouver et améliorer sa nouvelle gamme de produits qui cible les applications médicales de l'intelligence artificielle, baptisée Clara AGX, "Faire collaborer de façon étroite des développeurs, des ingénieurs et des médecins sera essentiel pour y arriver", relate Sébastien Ourselin, Professeur et directeur de l'École d'ingénierie biomédicale et de sciences de l'imagerie au KCL. Spécialiste du deep learning (logiciels capables d'apprendre), ce dernier développe des outils IA appliqués à la neurologie et notamment les maladies neurodégénératives. Un partenariat plus large lie par ailleurs le KCL et Nvidia avec Siemens et Medtronic, qui fabriquent des appareils d'imagerie et du matériel médical. De quoi faire progresser la recherche, mais aussi préparer son application en clinique, en simplifiant les démarches de certification des appareils et des logiciels...
L'apprentissage fédéré, pour préserver la confidentialité des données
"On ne va pas remplacer le radiologue par un ordinateur", reconnaît Sébastien Ourselin. "Mais la demande s'accroît fortement : 10 à 12% d'images supplémentaires par an, alors que le nombre de radiologues ne croît que de 1 à 3% par an. Mais nous pouvons leur faciliter le travail en limitant les erreurs de diagnostic, par exemple en gérant mieux les biais introduits par les différentes marques de matériel, et en réduisant le temps de lecture des images." Une démarche qui ne se limite d'ailleurs pas à l'imagerie médicale (scanner, IRM, ultrasons..) : "nous pouvons exploiter et recouper d'autres sources de données, comme les analyses sanguines et génétiques (ndlr : un champ que l'on appelle désormais radiomics) afin de réaliser des prédictions, par exemple : la réponse thérapeutique d'un patient donné à un médicament..."
ANONYMAT. Ce n'est pas un mystère : le deep learning, branche de l'IA qui laisse l'algorithme déterminer seul ses propres règles en "apprenant" à partir d'exemples, a besoin de beaucoup de données avant de construire des modèles pertinents. Heureusement, la donnée médicale est abondante dans les hôpitaux. Mais se pose la question de la confidentialité : comment déployer le deep learning sur des données médicales sans les copier ? "Les patients sont généralement heureux d'aider la recherche, mais ils craignent que leurs données soient exploitées à des fins commerciales. C'est pourquoi nous travaillons sur des algorithmes qui fonctionnent en 'apprentissage fédéré', explique-t-il. Les données ne sont alors jamais extraites, ce sont des indicateurs statistiques calculés à partir de ces données qui sont transmis." Une promesse qui résonne, de notre côté de la Manche, avec celle de la start-up Owkin, qui s'est associée à l'Inserm en 2018 afin d'analyser les données médicales.. tout en garantissant qu'elles ne sortent pas de l'Inserm.
Mais le défi, glisse Sébastien Ourselin, tient aussi à "interconnecter les systèmes d'information des 4 hôpitaux" du partenariat, avec plusieurs supercalculateurs pour fournir de la puissance de calcul distribuée, à l'horizon fin 2019. Il a également confié être en discussion avec ses homologues en France et aux États-Unis afin de définir un standard commun. L'enjeu : permettre aux algorithmes d'apprentissage fédéré d'apprendre à partir de données pouvant être localisées partout dans le monde.
