Intelligence artificielle : le deep learning et la médecine

Intelligence artificielle

Intelligence artificielle et médecine : le deep learning appliqué à la pharmacologie

 

Des mesures de confinement drastiques et inédites sous la Ve République ont été décrétées par Emmanuel Macron en France le 16 février 2020. Elles s’inscrivent selon ses mots « dans un effort de guerre » sans précédent mené pour tenter d’enrayer la crise sanitaire liée à la propagation de l’épidémie mondiale du Covid-19. Dans ce contexte incertain, le personnel médical se mobilise jour et nuit dans les hôpitaux pour soigner les personnes touchées par ce coronavirus, décrit comme « ennemi de l’humanité » par le Directeur général de l’Organisation Mondiale de la Santé. Et pour cause, il a déjà entrainé la mort de plus de 50.000 personnes dans le monde.

Face à ce fléau, se pose la question des moyens à mettre en oeuvre pour détecter les malades et les soigner plus efficacement. Une solution pourrait provenir de l’intelligence artificielle (IA). Avant de s’intéresser à l’innovation majeure que constitue l’apport de l’intelligence artificielle dans le domaine médical et pharmacologique, il convient de définir l’IA, technologie stratégique du XXIe siècle.  

Définition

Parmi toutes les définitions proposées de l’IA, Alexandra Bensamoun, codirectrice du CERDI (Centre d’études et de recherche en droit de l’immatériel) le définit comme un robot qui pense, un robot « intelligent », souvent humanisé (forme humanoïde ou animale) qui est capable d’apprentissage et d’autonomie décisionnelle partielle. L’homme externalise en lui un autre moi artificiel, qui prétend également à l’apprentissage et à l’intelligence par le biais d’algorithmes surpuissants. Ces algorithmes se distinguent par leur capacité prédictive, nourrie par le profilage numérique réalisé par les ingénieurs. Ces prédictions sont rendues possibles en partie par l’utilisation des données personnelles que l’IA absorbe en masse, notamment en matière de comportement et de consommation.

Utilisation

Le concept de Big Data assimile entre autres la variabilité des données concernant la biologie ou encore les individus. A chaque avantage incombe son lot de défauts, et les Big Data ne dérogent pas à la règle. Du fait de leur nombre et de leur diversité, ces données sont difficiles à stocker, à extraire et à analyser. La quantité de données disponibles chaque jour s’analyse en pétaoctets (1024 téraoctets) voire exaoctets (1000 pétaoctets). A titre de comparaison, le volume de données pour un dossier patient est compris entre environ 500 Ko et 2 Go pour un dossier comportant une part conséquente d’imagerie médicale (scanners, IRM, échographie…). Il est à noter que l’informatisation se fait progressivement depuis une quinzaine d’années, le volume de données médicales est donc amené à prendre de l’ampleur.

Le défi réside en la création d’un modèle capable d’estimer un résultat prédictible à partir de données connues. Ce modèle s’appuierait sur des techniques d’apprentissage automatique, dépassant les statistiques traditionnelles en ce qu’elles accumulent plus de paramètres qu’aucun autre outil informatique classique de gestion de bases de données existant. Les méthodes d’apprentissage machine (machine learning) comprennent les réseaux de neurones artificiels, les arbres de décision, ou encore la forêt aléatoire, pour n’en citer que quelques-uns. 

Enjeux

Le MIT (Massachusetts Institute of Technology) a développé en février 2020 une IA qui a permis la conception de l’un des antibiotiques les plus puissants au monde. Cet exploit est à mettre en perspective avec les difficultés liées à l’élaboration d’antibiotiques, qui requiert des moyens financiers et humains colossaux. Divers éléments ont été intégrés dans l’IA, comme les données sur la résistance des pathogènes aux antibiotiques. À cela s’est ajoutée la prise en compte d’anciens travaux de machine learning concernant la capacité particulière des structures moléculaires. Une fois agrégés, ces paramètres ont rendu l’IA capable d’apprendre à reconnaitre tous les types de molécules capables de tuer des bactéries.

L’IA a ensuite scanné les millions de composants chimiques et les molécules pouvant avoir une utilité médicamenteuse. Cela lui a permis d’identifier en quelques heures une molécule non encore exploitée et de l’utiliser pour structurer un antibiotique particulièrement efficace, nommé « Halicin ». Cet antibiotique tue les bactéries en détruisant leur capacité à stocker de l’énergie, les empêchant donc de muter et in fine de lui résister. Des essais cliniques sur des souris ont montré qu’en 24 heures, l’halicin parvenait à éradiquer un certain type de bactérie alors qu’aucun autre antibiotique n’y était encore parvenu. 

L’IA ne s’est pas arrêté là. Après reprogrammation et intégration d’un nombre plus important de données, elle a pu identifier 23 nouveaux antibiotiques, dont deux tout aussi performants que l’halicin.

Avenir 

Partant de cette innovation, et dans le contexte de crise que connaissons, la question de l’utilisation de l’IA reste ouverte quant à l’élaboration d’un remède efficace contre le Covid-19, et de manière plus générale,  contre tout type de maladie que l’homme n’arrive pas à endiguer. Mais encore faudrait-il attendre d’avoir assez de cas pour enrichir la base de données servant à la compréhension du coronavirus. 

Dans cette optique, la division « intelligence artificielle » de Google, connue sous le nom de DeepMind, a mis au point mi-janvier des modélisations de protéine du Covid-19 grâce à un algorithme de deep learning, disponibles librement pour les chercheurs en licence libre Creative Commons.

De manière plus prosaïque, l’IA est un outil au service de la gestion du facteur humain, qu’il est primordial de contenir pour une bonne gestion d’une crise sanitaire comme celle que nous traversons actuellement. Une étude menée à Taiwan en février 2020 a montré que Google Trends, utilisé pour surveiller l’agitation du public face à l’épidémie de Covid-19 à Taïwan, pourrait également servir à définir le moment et le lieu propice pour pratiquer des stratégies de communication des risques appropriées à la population affectée. 

Publié le 02 avril 2020 par Cindy Fleurdorge

Pour d’autres articles réalisés par la promotion MSI 2019/2020 : cliquez ici

Sources : 

  • « Des robots et du droit » Alexandra Bensamoun, Dalloz IP/IT 2016.281
  • « Real-life clinical data mining: generating hypotheses for evidence-based medicine », Jean-Emmanuel Bibault, Annals of Translational Medicine, février 2020
  • « A Deep Learning Approach to Antibiotic Discovery. », Jonathan M. Stokes et al., février 2020
  • « Le MIT découvre un nouvel antibiotique surpuissant grâce à un modèle d’apprentissage automatique », Alice Vitard, L’Usine Digitale, février 2020
  • « L’IA de DeepMind tente aussi de contrecarrer le Covid-19 », Arnaud Devillard, Sciences et Avenir, mars 2020
  • « Applications of google search trends for risk communication in infectious disease management: A case study of Covid-19 outbreak in Taiwan » Atina Husnayain, Anis Fuad, Emily Chia-Yu Su, International Journal of Infectious Diseases (2020)