Hi! Paris : l'IA à la rencontre de la santé

L'ambition globale du centre interdisciplinaire Hi! PARIS est de faire de l'IA un outil utile à la société et aux entreprises, en croisant les sciences fondamentales, la technologie, la gestion et les sciences sociales. Dans ce contexte, les applications de la recherche en IA dans le domaine de la santé sont prometteuses. Quatre scientifiques ont présenté leurs travaux actuels lors d'un webinaire de recherche hébergé en ligne le vendredi 9 avril.

Diagnostic et suivi des maladies

Catalin Fetita, professeur à Télécom SudParis et responsable de l'équipe ARMEDIA du laboratoire SAMOVAR*, a présenté les applications des modèles d'IA dans la quantification des lésions pulmonaires dans la pneumonie interstitielle idiopathique fibrosante. Cette pneumonie nécessite un suivi régulier par scanner pour évaluer la progression des lésions. L'objectif de ce projet de recherche consiste à développer un système automatisé pour un tel suivi. Des réseaux de neurones convolutifs, ont été entraînés grâce à une base de données annotée par des radiologues. Différentes architectures ont été comparées et des résultats prometteurs ont été obtenus en quasi temps réel, même si des défis théoriques demeurent concernant la précision et la stabilité du modèle pour une potentielle application clinique. De plus, cette recherche pourrait maintenant s'étendre à la Covid-19 puisqu'on la soupçonne d'évoluer vers la pneumonie interstitielle idiopathique fibrosante dans 10 à 30 % des cas graves.

Modélisation pharmacocinétique

Marc Lavielle, Professeur à l'Ecole Polytechnique, directeur de recherche à INRIA et au Centre de Mathématiques Appliquées (CMAP*,) se concentre sur un nouvel algorithme pour la construction automatique de modèles en pharmacologie. Lorsqu'un patient prend un médicament, la modélisation pharmacocinétique vise à savoir comment il est absorbé, distribué et éliminé par l'organisme. Pour une seule personne, la construction d'un tel modèle mathématique est plutôt facile et ne dépend que de quelques paramètres individuels tels que le taux d'absorption. Mais en pratique, la pharmacologie étudie des populations comprenant de nombreux patients, dont les paramètres présentent une certaine variabilité. Les modèles mixtes sont largement utilisés pour cette approche, mais il est difficile de trouver le bon. Marc Lavielle a développé un algorithme permettant de construire automatiquement un tel modèle, beaucoup plus rapidement q’avec les méthodes standard. Il est déjà implémenté dans Monolix, une plateforme utilisée pour la modélisation pharmacocinétique. Le défi réside maintenant dans son utilisation pour des modèles plus complexes, comprenant encore plus de paramètres, comme la pharmacogénomique.

Des robots d’aide à la personne

Adriana Tapus, qui fait partie de l'équipe Systèmes autonomes et robotique de l’Unité d’informatique et ingénierie des systèmes (U2IS*), a présenté ses travaux sur la robotique pour l’aide à la personne. Les robots centrés sur l'humain, capables d'aider les personnes vulnérables à répondre à leurs propres besoins, constituent un outil complémentaire viable pour les professionnels de santé. Cependant, les robots ont besoin de modèles hautement individualisés pour guider leur comportement. La recherche présentée par Adriana Tapus couvre différents angles de ce problème, comme la reconnaissance de l'activité de l'utilisateur, où le robot doit identifier en temps réel ce que fait l'humain. Les réseaux convolutifs à long terme ont été développés pour effectuer cette tâche avec un taux de reconnaissance élevé. En outre, les chercheurs étudient l'évolution de la confiance de l'utilisateur dans le robot, en fonction des performances de ce dernier. Parmi les défis futurs, Adriana Tapus et son équipe tentent d'ajuster leur modèle d'IA afin d'apprendre en permanence pendant l'interaction entre la personne et le robot.

L'IA et les données médicales

Dans la dernière présentation, Gaël Varoquaux, chercheur principal à l'INRIA, a expliqué comment l'IA pouvait aider à extraire des informations utiles des dossiers médicaux électroniques. La recherche en matière de santé s'appuie généralement sur des données soigneusement collectées, provenant de cohortes suivies de près dans le cadre d'études cliniques. Il s'agit d'un processus lent et difficile. Et si nous pouvions extraire des informations complémentaires de sources de données plus banale, comme la comptabilité des hôpitaux, les prescriptions et les observations des médecins ? Le défi est que ces données sont " sales ", avec beaucoup de valeurs manquantes et des informations non normalisées car la convention d’écriture utilisée peut varier d'un médecin à l'autre. De plus, contrairement aux essais cliniques, il n'y a pas d'expérience témoin et on ne peut pas tirer de conclusions directes sur l'efficacité des traitements. Gaël Varoquaux a montré comment l'IA et l'apprentissage automatique entrent en jeu en fournissant des méthodes statistiques puissantes pour analyser ces données "sales". En particulier, comment l'apprentissage automatique peut traiter les valeurs manquantes, les fautes de frappe et les variantes d’écriture.

Après la présentation, les chercheurs ont été rejoints par Théophile Mohr Durdez, PDG de Volta Medical, Benjamin Farcy, data scientist chez Capgemini et Harry Sokol, gastro-entérologue à l'hôpital Saint-Antoine à Paris pour une table ronde sur les différents défis de l'IA dans la santé. Ils ont notamment partagé leurs points de vue sur la manière de combler le fossé entre les projets de recherche, la réalité du terrain et les besoins des praticiens.

*SAMOVAR : un laboratoire Télécom SudParis - Institut Polytechnique de Paris

*CMAP : une unité mixte de recherche CNRS, École polytechnique - Institut Polytechnique de Paris

*U2IS : un laboratoire ENSTA Paris - Institut Polytechnique de Paris