Qu’il s’agisse de l’utilisation d’un chatbot pour aider à diagnostiquer des symptômes en télémédecine ou d’améliorer l’imagerie médicale et le suivi des patients, les professionnels de santé recourent de plus en plus au support de l’intelligence artificielle.
Mais alors que l’IA sort du seul cadre de la recherche et gagne du terrain dans les soins cliniques et la découverte de médicaments, il reste un certain nombre d’obstacles critiques qui détermineront le succès ou l’échec de son utilisation dans les soins de santé et les sciences de la vie.
Pour les surmonter, nous devons concevoir des solutions qui en tiennent compte – en veillant à ce que la souveraineté des données, l’éthique et la vie privée des patients soient prises en considération et respectées à chaque étape du processus. Par ailleurs, l’apparition de nouvelles techniques telles que les données synthétiques et l’apprentissage fédéré apportent des réponses à certaines de ces problématiques.
1 . Se concentrer sur l’éthique et la gouvernance
La réglementation européenne GDPR constitue un modèle pour l’IA appliquée au secteur de la santé mais il est nécessaire d’aller encore plus loin. Les systèmes d’IA ne peuvent être pensés comme des boîtes noires et les patients doivent impérativement être informés sur la façon dont leurs données sont stockées et utilisées.
La manière dont l’IA sera utilisée et la garantie que les données sur lesquelles elle a été entraînée reflètent bien la diversité de la population devront être prises en compte pour chaque cas d’utilisation de l’algorithme. De plus, il est primordial de s’assurer que ces algorithmes ont été entraînés et annotés avec précision, afin d’éviter les conclusions erronées et de garantir que le bon diagnostic est posé.
Cette approche est similaire au travail effectué pour les véhicules autonomes, qui consiste à s’assurer que les données d’entraînement sont correctes et garantir la sécurité des routes.
2. L’annotation des données
La disponibilité de données bien annotées, par des experts formés, est un obstacle supplémentaire. Des programmes tels que le London Medical Imaging Center et le AI Centre for Value Based Healthcare, PathLAKE, et l’Industrial Centre of Artificial Intelligence Research in Digital Diagnostics (iCAIRD), voient les volumes de données grimper en flèche, passant d’une poignée d’images à un million en l’espace d’un an.
Ce travail est en train de passer d’un grand exercice d’ingénierie technique à une tâche particulièrement laborieuse consistant à étiqueter rapidement les données cliniques en faisant preuve d’une grande précision. Ainsi, le même soin apporté dans le diagnostic d’un patient atteint d’un cancer, doit être apporté à l’annotation d’une image pathologique avant qu’elle ne soit intégrée à un algorithme dédié à la recherche de soins.
Face à l’augmentation des volumes de données, nous devons être en mesure de suivre le rythme de la conservation et de leur annotation afin de garantir leur pertinence et leur utilité. Par chance, nous assistons aujourd’hui au développement de techniques d’annotation semi-automatique, qui apportent une aide précieuse dans cette tâche.
3. Une adoption croissante de l’apprentissage fédéré
En plus de tirer parti de l’IA pour la collecte et l’analyse des données, les techniques d’apprentissage fédéré permettront d’améliorer le partage des données entre départements, établissements et entreprises tout en respectant la souveraineté des données et les réglementations en matière de confidentialité.
L’apprentissage fédéré est une technique de préservation de la confidentialité qui amène le modèle d’IA aux données locales, entraîne le modèle de manière distribuée et agrège tous les apprentissages en cours de route. De cette façon, aucune donnée n’est échangée ou ne quitte l’établissement de santé. Le seul échange qui se produit concerne les gradients du modèle.
Des programmes tels que le AI Center for Value Based Healthcare utilisent l’apprentissage fédéré pour construire des modèles d’IA plus robustes. Des partenariats publics et privés similaires peuvent s’appuyer sur une plateforme open-source pour garantir que les données restent privées et ne quittent pas l’établissement.
4. Créer des données synthétiques
Les données synthétiques offrent aux chercheurs la possibilité de créer des outils, des modèles et des tâches en simulant des données réelles, qui, n’étant pas associées à des patients, peuvent être facilement partagées entre les établissements de recherche tout en garantissant leur confidentialité.
Les données conservent les caractéristiques des dossiers médicaux sur lesquels elles ont été formées, mais ces dossiers générés par l’IA pourraient être utilisés pour compléter et équilibrer les ensembles de données afin de mieux représenter la population des patients et d’aider à éliminer les biais.
Par exemple, les instituts de recherche pourraient utiliser des données synthétiques pour créer des dossiers médicaux de patients diabétiques numériques présentant des caractéristiques similaires à celles d’une population réelle. Le King’s College de Londres s’efforce de générer des images cérébrales synthétiques via cette approche pour mieux comprendre l’évolution de maladies du cerveau comme la maladie d’Alzheimer, dans le but d’en améliorer le diagnostic et le traitement.
Afin de favoriser une large adoption de l’IA dans les soins de santé, une collaboration et une coordination entre les gouvernements, les industriels et les acteurs technologiques sont nécessaires pour relever tous ces défis et améliorer la précision des modèles, pour soutenir au mieux les professionnels de santé lors des diagnostics et décisions de traitement. Nous espérons que ces outils commenceront à accélérer le dépassement de ces défis, permettant à l’IA d’entrer dans le chemin clinique aussi rapidement que possible.
