Comment j’ai appris l’alphabet: les similitudes entre l’IA et l’éveil des jeunes enfants

L’Intelligence Artificielle (IA) est en train de transformer la prise de décision dans le domaine de la santé. En plus d'améliorer la précision et la qualité de la documentation clinique et d'aider les radiologistes à détecter les radios anormales pour les traiter en priorité, l’IA permet aux cliniciens de se concentrer davantage sur l’efficacité de la prestation des soins.
Par

Grâce à l’impact du deep learning, l’ pourrait enfin atteindre un niveau crucial. Mais qu’est-ce que le deep learning ? Le meilleur moyen de comprendre est de penser à la façon dont les enfants apprennent.

J’ai appris à mon enfant de deux ans comment différencier les animaux en lui montrant des espèces différentes dans un livre. Le nombre de similitudes entre les animaux m’ont frappées, pourtant les jeunes enfants sont capables d’apprendre à les distinguer. Quatre pattes et une queue, cela pourrait correspondre à n’importe quel animal terrestre, cependant l’un a un très long cou, alors que l’autre a une trompe. Ces caractéristiques distinctives aident votre cerveau à analyser les informations et il parvient alors à la conclusion correcte : une girafe et un éléphant.

Les réseaux de deep learning sont conçus pour fonctionner de façon relativement similaire au cerveau humain. Une série d’algorithmes simples, tels les neurones du cerveau, analysent des bribes d’informations et font des connexions en assemblant des données complexes à la façon d’un puzzle, jusqu’à trouver une réponse. Le mot deep désigne l’organisation en plusieurs couches des réseaux de deep learning, avec les couches intermédiaires (ou hidden) qui permettent d’identifier les pièces élémentaires du puzzle. Elles transfèrent ensuite ce qu’elles ont appris aux couches plus profondes du réseau afin de développer une compréhension plus complète des données et produire une solution valide.

Tout comme mon enfant de deux ans, et comme tous les autres humains, le réseau ne naît pas avec des connaissances spécifiques. Il nécessite une formation, comme pour apprendre la différence entre une girafe et un éléphant, en notant que l’un a un long cou et l’autre une trompe. En nourrissant le réseau avec un grand nombre d’informations, grâce à des questions dont on connaît les réponses, on lui « enseigne » comment interpréter et comprendre plusieurs données (processus également connu sous le terme de machine learning). Par exemple, entraîner un réseau de deep learning à effectuer une transcription médicale pourrait impliquer de l’enrichir avec des milliards de phrases du langage parlé et les résultats écrits qui en découlent, afin de créer un jeu de référence (des mots du langage parlé connectés à un texte précis). Le jeu de référence se densifiera avec le temps en raison de la quantité croissante de données du deep learning et de l’amélioration de sa capacité à délivrer des réponses correctes. Si un résultat est erroné, le réseau de deep learning doit être corrigé afin de renforcer sa compréhension. Comme un enfant qui apprend à identifier les couleurs, les formes et les animaux, le deep learning sera alors rapidement capable de délivrer la réponse correcte.

Comment le deep learning change-il la pratique de la médecine ? Deux domaines parmi nombre d’applications potentielles incluent l’amélioration de la documentation médicale et l’interprétation des images de radiologie. La documentation clinique comprend un grand nombre de données, tels que les notes des médecins, tapées ou générées grâce à la reconnaissance vocale, les résultats de laboratoires et les médicaments. En général, les experts du domaine concernés sont impliqués dans le processus d’amélioration de la documentation clinique pour s’assurer que le médecin renseigne de manière précise l’état de santé et le diagnostic du patient. Cependant, cette approche demande du temps et des ressources et peut perturber le travail du médecin. Automatiser ce procédé se révèle ardu et complexe, car il implique de capturer et numériser l’expertise du domaine pour créer une base de connaissances, avant de le soumettre à une technologie de traitement du langage naturel, pour enfin générer une requête en temps réel pour le médecin au moment où il documente le dossier de son patient.

Les réseaux neuronaux améliorent nettement ce procédé. Désormais, on peut utiliser la documentation clinique historique des médecins, avec les questions générées par les experts de chaque domaine, pour créer un jeu de référence qui servira à alimenter le réseau neuronal. Cela nous permet de nous débarrasser de toute la complexité intermédiaire. Le réseau de deep learning s’en charge, en se basant sur ce qu’il a « appris » grâce au jeu de référence. Enfin, cela permet d’améliorer la documentation grâce à l’IA, de par sa capacité à trouver les pièces ou connexions manquantes, et d’en avertir le médecin en temps réel. Le bénéfice de l’IA dans ce contexte est de permettre aux médecins de se concentrer sur leurs patients pendant que le système s’occupe d’archiver les codes de facturation, les obligations de régulation, les mesures de qualité et les indicateurs de sécurité.

Les réseaux de deep learning changent aussi la donne en termes d’évaluation des données visuelles, dont les images de radiologie. Cela demande des yeux d’experts, particulièrement avertis et ayant étudié des milliers d’images similaires, pour pouvoir lire les indices subtils que l’on y trouve. Avec les réseaux neuronaux, il est possible d’améliorer ce processus en entraînant le réseau avec des milliers d’images de radiologie qui présentent des diagnostics connus. Plus on nourrit un réseau d’images, plus il acquiert de « l’expérience » et devient précis, lui permettant ainsi de détecter les différences subtiles entre un résultat positif et un résultat négatif. Cette technologie va améliorer le flux de travail particulièrement chargé des radiologues, et profondément augmenter leur connaissance et leur productivité, en les aidant notamment à prioriser les cas les plus graves. Chaque jour les radiologues analysent une centaine d’images, introduire l’IA permet de mettre en évidence les radios atypiques et de les traiter en priorité. Elle apporte une véritable valeur ajoutée aux médecins et aux patients, qui tous deux sont à la recherche du meilleur résultat possible.

Le potentiel des réseaux neuronaux est incroyable : il s’agit d’un outil puissant destiné à augmenter l’expertise humaine, et non de la remplacer. Les cliniciens ont aujourd’hui tellement de responsabilités que l’IA est une aide bienvenue pour accomplir leur travail, en leur permettant de se concentrer sur les soins de leurs patients et autres activités qui requièrent une dimension humaine.

Sources:

Explorer l’IA en médecine

Rendez la prise de décision et la documentation clinique plus efficaces avec les solutions IA Nuance. Découvrez comment l'intelligence artificielle aide les médecins à se concentrer sur les patients.

Decouvrez

Étiquettes : , , , ,

À propos Sandra Logut

Sandra Logut a développé son expertise e-santé depuis plus de 10 ans, notamment auprès d’un éditeur de systèmes d’information santé (#SIH #DPI #RIS #PACS #LIS) en France et au Benelux, puis en exerçant comme consultante pour accompagner les stratégies e-santé des entreprises et des start-up. A titre personnel, Sandra est membre de l’APSSIS, une association qui œuvre pour la sécurité des systèmes d’information de santé.