Sommaire
- Continued Process Verification stratégie de visualisation des données dans le cadre de la CPV
- Démarche de déploiement de la Vérification Continue des Procédés & gains associés, sur un site de production pharmaceutique
- Intervalles statistiques de tolérance : Quelles alternatives en cas de non-normalité ?
- Comment construire une stratégie d’échantillonnage adaptée en fonction des risques
- Sécurisation des approvisionnements : stratégie & outils pour maitriser les risques de rupture
- Advanced Data Analysis as an enabler to near real-time Contamination Control Strategy Evaluation
- L’IA diagnostic. L’analyse d’images
L’IA diagnostic. L’analyse d’images
L’Intelligence Artificielle a pris une place prépondérante dans le domaine de la santé ces dernières années. Ce domaine en pleine expansion doit répondre à différents critères : techniques, légaux, politiques et budgétaires.
1. Aspects politiques et budgétaires
Les pouvoirs publics ont bien saisi les enjeux du digital dans le domaine de la santé.
Son développement a commencé par le développement d’une médecine dite 5P : Personnalisée, Préventive, Prédictive, Participative et Prouvant des bénéfices directs pour les citoyens, les patients et le système de santé. Cette médecine s’appuie par exemple sur les objets connectés, les plateformes de services, l’Intelligence Artificielle (IA), les dispositifs médicaux numériques, les jumeaux numériques, les essais simulés, la robotique et bien d’autres dispositifs.
Le 29 juin dernier, le Président de la République a annoncé la mise en place du plan Innovation santé 2030 de plus de 7,5 Mds€ lors du Conseil stratégique des industries de santé (CSIS). L’ambition est de faire de la France l’une des premières nations innovantes en santé numérique d’Europe.
Par ailleurs, la stratégie d’accélération du programme d’investissement d’avenir “Santé numérique” (SASN) dotée de 650 millions d’euros, promeut le développement, la validation et l’expérimentation des outils numériques pour cette médecine 5P.
Le ministère de l’enseignement supérieur et de la recherche met à disposition du public toutes les informations concernant ces financements dans la santé numérique.
2. D’un point de vue technique :
L’Intelligence Artificielle (IA) apparaît dès les années 1950 avec les travaux d’Alan Turing sur la conscience des machines et ceux de Warren Weaver qui émet l’idée qu’une machine pourrait effectuer une tâche qui relève de l’intelligence humaine.
Depuis lors, la place de l’intelligence artificielle comme véritable domaine scientifique ne cesse de croître en particulier dans le domaine de la santé et des traitements médicaux, où elle peut détecter différents types de maladies tels que des cancers et des tumeurs et ce même à un stade précoce de leur développement.
Récemment Google a mis au point un modèle d’Intelligence Artificielle capable de prédire la présence d’une tumeur maligne bronchopulmonaire à partir de tests de dépistages.
Comment cela fonctionne-il ? Les modèles basés sur l’intelligence artificielle sont développés à l’aide d’une quantité très importante de données d’entraînement en matière de soins de santé, par exemple sous la forme d’images médicales telles que des radiographies, des tomodensitogrammes, des IRMs ou tout autre type de résultats d’imagerie.
Toutes ces images sont introduites dans un algorithme d’apprentissage automatique afin que l’intelligence artificielle puisse apprendre et créer des modèles montrant les signes précoces d’apparition de la maladie et ainsi qu’il puisse prédire les probabilités d’apparition de la maladie chez certains patients. L’apprentissage automatique, un sous-ensemble de l’intelligence artificielle, utilise des algorithmes pour apprendre à partir de données et faire des prédictions ou prendre des décisions sans être explicitement programmé. Dans le contexte médical, il analyse des images pour déceler des motifs indiquant la maladie, permettant ainsi une détection et un traitement précoces.
Il existe plusieurs types. Exemples de capacités de détection de l’IA en imagerie médicale.
a. Détection d’anomalies neurologiques
L’IA en neuro-imagerie détecte et classifie désormais avec une grande précision les lésions cérébrales, la coagulation sanguine et d’autres troubles neurologiques. Une équipe de radiologues annote et met en évidence ces troubles liés au cerveau et aide les algorithmes à en tirer des enseignements.
b. Dépistage des cancers courants
Le cancer est l’une des maladies les plus courantes et les plus mortelles, et les gens se battent pour y survivre dans le monde entier. Le cancer met davantage en danger la vie du patient s’il est diagnostiqué au dernier stade ou au stade critique de son développement. À ce stade, il devient difficile pour l’oncologue de sauver les patients de la mort.
Le cancer du sein et le cancer de la prostate sont les types de cancers les plus fréquents chez les femmes et les hommes, qui perdent la vie faute d’avoir été détectés à temps. Dans le cas du cancer du sein, la microcalcification est le tissu clé, parfois difficile à identifier de manière concluante, car elle peut être maligne ou bénigne.
Et si le diagnostic était un faux positif, cela pourrait conduire à des tests invasifs ou à des traitements inutiles, tandis que les tumeurs malignes manquées pourraient entraîner des diagnostics tardifs et des résultats plus mauvais pour les patients. De même, l’apprentissage profond de l’IA peut détecter la prostate et d’autres types de cancers avec des résultats précis.
c. Diagnostic des infections du rein et du foie
L’IA est largement utilisée et devient de plus en plus populaire dans l’imagerie médicale du foie, notamment en radiologie, en échographie et en médecine nucléaire. Dans l’imagerie médicale du foie, les médecins détectent, caractérisent et surveillent généralement les maladies en évaluant visuellement les images médicales du foie.
Cependant, parfois, une telle évaluation visuelle, effectuée par des experts ou des médecins radiologues expérimentés, peut être biaisée en raison d’expériences personnelles et d’imprécisions.
Alors que d’autre part, l’IA peut faire une évaluation quantitative en reconnaissant automatiquement les informations d’imagerie au lieu d’un tel raisonnement qualitatif comme un diagnostic d’imagerie plus précis et reproductible. Les problèmes rénaux aigus, comme les infections graves et les calculs, peuvent être détectés grâce à un processus d’imagerie médicale basé sur l’IA. Fondamentalement, la fonction de l’IA dans les maladies rénales se concentre principalement sur quatre aspects : Les systèmes d’alerte, l’aide au diagnostic, l’orientation du traitement et l’évaluation du pronostic.
Avec un ensemble de données d’entraînement rigoureusement annoté, un modèle d’apprentissage automatique peut anticiper les risques d’insuffisance rénale. L’identification des calculs rénaux se fait par annotation de boîtes de délimitation, une méthode qui encadre les calculs dans l’image pour rendre ces pathologies identifiables par l’algorithme.
d. Détection des tumeurs cérébrales avec une grande précision
Tout comme les cancers, les tumeurs sont également des maladies potentiellement mortelles, surtout si elles se développent dans le cerveau. Et l’IA dans la détection des tumeurs cérébrales est également possible avec une technique d’imagerie médicale précise.
Selon diverses recherches et études, dans la détection des tumeurs cérébrales, le diagnostic basé sur l’IA était précis à 94,6%, contre 93,9% pour l’interprétation par le pathologiste.
Une technique de segmentation sémantique est utilisée pour créer de telles données d’imagerie médicale utilisées par l’apprentissage automatique pour le diagnostic des tumeurs cérébrales. Et selon les nouvelles études, une nouvelle méthode combinant l’imagerie optique avancée et un algorithme d’intelligence artificielle permet d’obtenir un diagnostic peropératoire précis et en temps réel des tumeurs cérébrales.
e. Apprentissage automatique pour l’IA en analyse d’images dentaires
L’IA en dentisterie pour l’analyse d’images dentaires joue un rôle important pour déterminer l’état des dents et aider les médecins à recommander le bon traitement.
En utilisant l’analyse d’images dentaires, les modèles d’IA peuvent détecter les problèmes liés aux dents, y compris les dents endommagées, la structure inégale des dents ou les caries et autres maladies à l’intérieur des racines des dents.
En dentisterie, l’état des dents affectées ou endommagées sont décrites dans les images radiologiques par un radiologue expérimenté, une fois que ces ensembles de données sont prêts, ils sont utilisés dans utilisés dans le Machine Learning.
L’algorithme de Machine Learning (ML) apprend à partir de divers types de radiographies dentaires annotées, et apprend à partir de ces données sources, qui sont ensuite utilisées pour détecter lorsqu’on leur montre ces radiographies et prédire l’état des dents.
La segmentation sémantique est l’une des méthodes utilisées pour la détection, la classification et la segmentation d’objets (dents) en dentisterie. Des dentistes et radiologues très expérimentés examinent les images médicales ou les radiographies et annotent les zones affectées avec précision. Une telle pratique peut créer une énorme quantité de données d’entraînement pour l’apprentissage automatique en dentisterie.
f. Détecter les fractures osseuses et les lésions musculo-squelettiques
Les fractures osseuses et autres lésions musculo-squelettiques invisibles peuvent être fatales si elles ne sont pas détectées ou traitées pendant une longue période. Les fractures de la hanche et les blessures osseuses chez les personnes âgées sont plus critiques en raison des réductions de la mobilité et des hospitalisations associées.
En utilisant l’apprentissage automatique pour analyser l’imagerie médicale, l’intelligence artificielle peut diagnostiquer les fractures osseuses avec une précision accrue.
L’imagerie à rayons X fournit des images des structures internes du corps et lorsque les zones fracturées sont annotées, elles deviennent détectables par les machines grâce à l’apprentissage d’algorithmes de vision par ordinateur avec l’énorme quantité d’ensembles de données d’apprentissage similaires introduits dans le modèle.
3. Mais comment font ces IA pour arriver à classifier ou détecter des cancers ?
Les réseaux de neurones sont des algorithmes de traitement d’informations qui s’inspirent du fonctionnement du cerveau humain. Ils sont formés sur des données d’entrée et produisent des prédictions en utilisant des couches de neurones interconnectées. Les réseaux de neurones convolutionnels (CNN) sont une variante des réseaux de neurones qui sont particulièrement utiles pour la reconnaissance d’images et de vidéos. Ils utilisent des filtres pour extraire des caractéristiques clés des images, ce qui les rend très performants pour les tâches telles que la reconnaissance d’objets et la classification d’images.
Les réseaux de neurones régionaux (R-CNN) sont une approche encore plus avancée des CNN, qui utilisent une approche de sélection de région pour une reconnaissance plus précise d’objets dans des images. En somme, les réseaux de neurones, les CNN et les R-CNN sont des algorithmes de traitement d’images très puissants qui sont largement utilisés dans de nombreuses applications informatiques, telles que la reconnaissance faciale et la reconnaissance d’objets.
L’apprentissage profond est un terme utilisé pour décrire les réseaux de neurones empilés qui se composent de plusieurs couches. Chaque couche comporte des nœuds qui sont similaires aux neurones du cerveau humain et qui effectuent des calculs. Un nœud combine les entrées de données avec des coefficients appelés poids, qui déterminent la signification des entrées pour la tâche à accomplir, comme la classification sans erreur. La somme des produits pondérés des entrées est ensuite transmise à une fonction d’activation pour déterminer si le signal doit progresser dans le réseau.
Si oui, le nœud est activé.
Chaque couche d’un réseau CNN apprend une caractéristique différente (bas, moyen et haut niveau) dans les images qui lui soumises et sera ainsi capable d’apprendre à reconnaitre des caractéristiques similaires sur des images qu’elle n’a jamais vue auparavant.
La segmentation sémantique implique la division d’une image en régions significatives en fonction de leur signification ou de leur classe, telles que le fond, les personnes, les voitures, etc. Elle vise à attribuer une étiquette ou une classe à chaque pixel dans une image. Cela permet de comprendre les différents éléments de l’image et de les classer en catégories distinctes.
La segmentation d’instance, en revanche, implique la division d’une image en régions individuelles, chacune correspondant à une instance distincte d’un objet. Par exemple, il peut distinguer entre plusieurs voitures dans une image, chacune étant considérée comme une instance distincte de l’objet “cube”. La segmentation d’instance a pour but de marquer des régions uniques dans une image, telles que des objets distincts, des personnes ou des animaux, plutôt que de les classer simplement en catégories génériques.
C’est grâce à la combinaison de tous les concepts cités ci-dessous que l’IA est en mesure de classifier et/ou segmenter les images issues de l’imagerie médicale.
En Résumé. L’IA en radiologie va jouer un rôle important dans le diagnostic des différents types de maladies, y compris les maladies graves, avec un haut niveau de précision. De plus, avec des données d’imagerie médicale de meilleure qualité, le processus de diagnostic et la précision des prédictions seront améliorés, ce qui rendra les traitements médicaux et les procédures de soins plus efficaces.
En conclusion, les meilleurs résultats sont obtenus quand le modèle d’IA et le médecin travaillent de manière complémentaire. Ni l’un ni l’autre seul n’arrivent à de tels résultats
1.Le modèle peut rapidement détecter des cas sains de manière assez fiable, ce qui permet au médecin de se concentrer sur les cas plus litigieux sans le surcharger
2.Le médecin peut, grâce à sa connaissance des patients, pencher pour d’autres diagnostics sur certains cas pour éliminer des faux positifs
3.Le risque indiqué par le modèle peut amener le médecin à détecter des traces de cancer à un stade très avancé qu’il n’aurait pas vu avec la fatigue, la surcharge de travail ou la qualité de l’image.
Cependant c’est TOUJOURS le médecin qui aura le dernier mot sur le diagnostic, une IA ne sera JAMAIS seule décisionnaire sur un diagnostic. Celui sera simplement confirmé, infirmé ou complémenté par un médecin. Cet aspect légal de l’IA dans la santé est abordé ci-après.
4. D’un point de vue légal
Face à la rapidité des avancées technologiques dans le domaine de l’intelligence artificielle (IA), et aux risques associés en matière de sécurité et de droits fondamentaux, la Commission a proposé un cadre juridique très attendu sous la forme d’un projet de règlement (Artificial Intelligence Act), lequel sera donc d’effet direct dès son adoption (probablement sous 2 ans) avec une entrée en application sous 2 ans, associé à un plan coordonné d’actions. Les principes de qualité, intégrité, sécurité, robustesse, résilience, supervision, explicabilité, interprétabilité, transparence, fiabilité, traçabilité, garantie humaine, auditabilité jusqu`alors identifiés dans les différents textes européens et mis en œuvre par les développeurs et éditeurs au moyen d’une gouvernance plus ou moins efficiente, y sont consacrés et traduits en obligations concrètes à la charge des fournisseurs dès la conception et tout au long du cycle de vie d’un système d’IA.
Dans le secteur de la santé, compte tenu des enjeux concernant la vie et la santé associés à l’utilisation des systèmes d’IA d’aide à la décision et notamment d’aide au diagnostic, leur pertinence et fiabilité doivent être garanties, supposant une mise sur le marché dans le respect du Règlement relatif aux dispositifs médicaux. Il en résulte que les systèmes d’IA en santé doivent, pour la plupart, conformément à l’Artificial Intelligence Act, être considérés comme relevant des systèmes d’IA présentant un risque élevé, et devant ainsi répondre aux exigences y afférentes, outre les exigences issues des réglementations sectorielles.
a. Transparence et information des utilisateurs
Les systèmes d’IA à haut risque doivent être conçus et développés de manière à garantir que leur fonctionnement soit suffisamment transparent pour permettre aux utilisateurs d’interpréter les résultats du système et de les utiliser de manière appropriée. Il convient de relever qu’au-delà de l’obligation de transparence, et du corolaire en termes de garantie humaine, ces informations constituent le socle d`une limitation ou exclusion de responsabilité du fournisseur du système d’IA, à l’égard des décisions prises par l’utilisateur dans le cadre de son utilisation, et devront être appréhendées en lien avec les conditions d`assurance du fournisseur et de l`utilisateur professionnel.
b. Surveillance humaine
Les systèmes d’IA à haut risque doivent être conçus et développés de manière à pouvoir être surveillés efficacement par des personnes physiques pendant la période d’utilisation du système d’IA, notamment au moyen d`outils d’interface homme-machine appropriés. L’objectif de cette surveillance humaine est de prévenir ou réduire au minimum les risques pour la santé, la sécurité ou les droits fondamentaux qui peuvent apparaître lorsqu’un système d’IA de haut niveau est utilisé conformément à sa finalité, ou dans des conditions de mauvaise utilisation raisonnablement prévisibles.
c. Obligation des fournisseurs et utilisateurs professionnels des systèmes d’IA à haut risque
S’assurer que le système d’IA à haut risque est soumis à la procédure d’évaluation de la conformité pertinente, avant sa mise sur le marché ou sa mise en service ; prendre les mesures correctives nécessaires si le système d’IA à haut risque n’est pas conforme aux exigences ; informer les autorités nationales compétentes des États membres dans lesquels le système d’IA est mis à disposition ou mis en service et, le cas échéant, l’organisme notifié, de la non-conformité et de toute mesure corrective prise ; à la demande d’une autorité compétente nationale, démontrer la conformité du système d’IA à haut risque aux exigences.
5. CONCLUSION
Ce corpus d’exigences vient asseoir, sous la forme de loi, les bonnes pratiques applicables au développement et à la surveillance des systèmes d’IA à haut risque, les obligations des fournisseurs et utilisateurs professionnels notamment, et définir les conditions de gouvernance et sanctions en cas de violation. L’Artificial Intelligence Act poursuit la logique de responsabilisation, documentation, et approche par les risques, consacrée par les différents règlements européens adoptés ces dernières années, notamment encadrant les dispositifs médicaux, et la protection des données. La validité d`un système d’IA à haut risque doit être appréciée par rapport à sa conformité dès la conception, puis tout au long de son cycle de vie, aux exigences ci-après. Un système itératif de gestion des risques d’un système d’IA à haut risque, doit être mis en place dès sa conception et tout au long de son cycle de vie.
Les systèmes d’IA d’apprentissage automatique (machine learning) doivent être développés sur la base de jeux données d’entraînement, de validation et d’essai, de qualité, soumis à des pratiques appropriées de gouvernance et de gestion des données. L’Artificial intelligence Act relève qu’en cas de stricte nécessité et aux fins de surveillance de la partialité, de détection et de correction des préjugés en rapport avec les systèmes d’IA à haut risque, les fournisseurs de ces systèmes peuvent traiter des catégories particulières de données à caractère personnel, notamment des données de santé, sous réserve de garanties appropriées, telles que la pseudonymisation, ou le chiffrement, lorsque l’anonymisation peut affecter de manière significative la finalité poursuivie. En France, l’accès à des jeux de données par les industriels aux fins de développement de systèmes d’IA peut encore être compliqué. Dans le même sens, et s’agissant cette fois des jeux de données anonymes, les conditions juridiques applicables aux traitements d’anonymisation devrait être clarifiées, en particulier la qualification des acteurs y procédant, les bases de licéité applicables, et les conditions de respect des droits et libertés des personnes concernées, et ce aux fins de sécurité juridique et au bénéfice de la pérennité des projets initiés.
La documentation technique d’un système d’IA à haut risque doit être établie avant la mise sur le marché ou la mise en service de ce système, tenue à jour, permettre de démontrer que le système d’IA à haut risque est conforme aux exigences de l`Artificial Intelligence Act, et, ainsi, fournir aux autorités compétentes pour validation.