Les systèmes d’IA dans le secteur de la médecine sont nombreux : ils sont exploité pour améliorer le processus du diagnostic du mésothéliome, dépister les arythmies cardiaques ou trouver un traitement pour la maladie de Huntington. Toutefois, pour que ces modèles fonctionnent, il est nécessaire d’obtenir les données médicales protégées. Pour répondre à cela, une équipe de recherche de l’Université technique de Munich (TUM), de l’Imperial College London et de l’organisation OpenMined a mis au point une technologie garantissant la protection des données personnelles des patients.
Faciliter la protection des données de santé
Une pratique courante des centres de radiologie consiste à partager les informations de leurs patients en envoyant des copies de leur base de données. Celles-ci sont anonymisées et étiquetées à l’aide d’un pseudo. Malheureusement, certains de ces processus ne sont pas 100 % fiables en matière de protection des données, c’est ce qu’a remarque le Dr Daniel Rueckert, professeur d’IA en soins de santé et en médecine à la TUM.
Afin de répondre à ce problème, une équipe interdisciplinaire composée de membres de la TUM a travaillé avec des chercheurs de l’Imperial College London et d’OpenMined pour proposer une solution d’aide au diagnostic basée sur l’IA qui assure la confidentialité des données. Elle compile une combinaison d’images radiologiques. Cet outil a fait l’objet d’un article rédigé par 14 chercheurs dont Danier Rueckert et les auteurs principaux Alexander Ziller, de l’institut de diagnostics et d’interventions radiologiques de la TUM, également professeur d’IA en soins de santé et en médecine, et affilié OpenMined, ainsi que Dr Georgios Kaissis de l’Institut d’informatique médicale, de statistique et d’épidémiologie de la TUM et chef du projet.
Garantir la protection des données grâce au federated learning
Pour développer cet algorithme, les chercheurs ont exploité le federated learning (ou apprentissage fédéré). Les modèles sont entrainés dans différents hôpitaux en utilisant leurs propres données, et le résultat de ces entrainements est consolidé en un modèle unique, permettant ainsi d’éviter le transit des données.
Afin d’éviter l’identification des institutions où un des algorithmes a été entrainé, l’équipe a exploité trois techniques :
- Application de l’agrégation sécurisée : l’équipe de chercheurs a combiné l’ensemble des algorithmes sous forme cryptée. Elles n’ont été décryptées qu’au moment où toutes les institutions participantes avaient entrainé leurs modèles.
- Garantir la confidentialité différentielle : empêcher que les données individuelles des patients soient séparées des enregistrements des données.
- Prise en compte de la corrélation statistique : ces corrélations peuvent être extraites des enregistrements de données. Les données de chaque personne, elles, ne peuvent pas être extraites.
Favoriser la coopération entre les institutions médicales
le Professeur Marcus R. Makowski, directeur du département de radiologie diagnostique et interventionnelle de l’hôpital Rechts der Isar de la TUM, a évoqué la précision de ses modèles en matière d’aide au diagnostic :
“Nous avons testé nos modèles auprès de radiologues spécialisés. Dans certains cas, les modèles ont montré une précision comparable ou meilleure dans le diagnostic de divers types de pneumonie chez les enfants.”
Une autre étude qui a fait le cadre d’une publication rédigée par Georgios Kaissis, Marcus R. Makowski, Daniel Rückert et Rickmer F. Braren, a souligné que la combinaison des dernières méthodes exploitées en matière de protection de données pourrait faciliter la coopération entre les instituions médicales.
L’utilisation de l’IA peut, selon les chercheurs, surmonter les obstacles éthiques, juridiques et politiques. L’ensemble des scientifiques ayant pris part à ces recherches affirment que leur nouvelle technologique peut apporter une importance avancée dans la médecine numérique, tout en respectant les enjeux liés à la protection des données.
Notons que cet emploi du Federated Learning en santé n’est pas une première, puisque des sociétés telles qu’Owkin, porteuse du projet Substra s’appuient couramment sur cette approche.
