intelligence artificielle en médecine

Intelligencear,ficielle&

Médecine

Jean-EmmanuelBibaultMD,PhDcjean-emmanuel.bibault@aphp.fr

twiCer.com/jebibault

•  Défini,ons

•  Historique

•  U,lisa,ons

•  Applica,onsenmédecine&cancérologie

•  Verslemédecinar,ficiel

Défini,ons

•  MachineLearning

MéthodespermeCantàunemachined'évoluerparunprocessussystéma,que,sansinterven,onhumaine•  Plusieursméthodes(listenonexhaus,ve)–  kNN,–  SVMs,–  Randomforest,–  Neuralnetwork,•  DeepLearning

Défini,ons

•  Supervisé– Àpar,rdedonnéeslabellisées

•  Nonsupervisé– Àpar,rdedonnéesnonlabellisées

•  Renforcé

Historique

•  1940:Premierconceptderéseauxneuronaux•  Cyclesdepromessesetdedécep,ons

Imagesource:AndrewBeam

Récemment

•  Puissanceinforma,quedisponible(GPU)

•  Quan,témassivededonnées:– 2013:4.4ZeCabytes– 2020:44ZeCabytes

DeepLearning•  2006:appari,onduterme

•  2012:premièrepercée–  LargeScaleVisualRecogni,onChallenge(Imagenetdatabase)–  AlexNetfaitpasserletauxd’erreurde28à16%

•  2014:GoogLeNet

•  2015:Incep,on

•  2016:ResNet(56couches)

Sourceimage:hCps://www.amax.com/blog/?p=804

Frameworks

•  Sci-KitLearn•  Theanos•  Caffe•  Keras•  TensorFlow

DeepLearning

•  U,lisépour:– Reconnaissancevisuelle– Reconnaissancevocale– Traduc,on(NLP)– Classifica,on– Prédic,on–  Jeuxvidéo– Créa,onar,s,que

DeepLearningHype

DeepLearning&médecine•  Augmenta,onduvolume&digitalisa,ondesdonnées

médicales

•  Dépassementdescapacitéscogni,veshumaines(max5facteurs)

•  Possibilitésde:–  Diagnos,c(classifica,on)

à Fiabilité,rapidité

–  Prédic,on(classifica,on,sériestemporelles)àPersonnalisa,ondestraitements

Difficultés

•  Dataenmédecine:– Faiblenombredepa,ents– Parfois,faiblegranularité,peustructurée– Ouaucontrairegrandnombredevariablesà Risqued’overfirng

•  Effet«boîtenoire»:– Créa,ond’unmodèleincompréhensiblepourunesprithumain

129450lésions– Incep,onv3versus21dermatologues

Estevaetal,Nature,2016

Estevaetal,Nature,2016

Estevaetal,Nature,2016

•  T

•  128174imagesderé,nes•  54ophtalmologues•  1CNN

•  Validésurdeuxdatasets:–  EyePACS-1(9963images)– Messidor-2(1748images)

Gulshanetal,JAMA,2016

Gulshanetal,JAMA,2016

•  76214pa,ents•  Prédic,onde78maladies

MioCoetal,Scien,ficReports,2016

MioCoetal,Scien,ficReports,2016

DeepLearning&cancérologie•  Diagnos,cplusprécoce,pluscertain

•  Définirlespa,entsquirépondrontbien

•  Adapterlestraitements:–  Faireuntraitementplusoumoinsagressif

•  Exploiterlesentrepôtsdedonnéesdeshôpitaux:– HEGP:170000pa,ents– APHP:6,5millionsdepa,ents

Perspec,ves

•  Quellesspécialitéssontmenacées?– A5/10ans?Lediagnos,c

•  Radiologues•  Anatomopathologistes

– Apluslongterme?•  Touslesmédecins?

VersuneIA«forte»

•  NécessitéuneIAcapabled’accomplirplusieurstâchesdifférentes

•  Problème:«catastrophicforgerng»

Lemédecinar,ficiel

•  Redéfini,ondurôledumédecin

•  Moinsdetechnique•  Plusd’humain,d’empathie

•  Jusqu’àquand?– Robotshumanoïdes–  Imita,ondesémo,onshumaines

Simuler(ouavoir?)desémo,ons

TheNewYorkTimes– ExploringourLinkstoRobot–Mars2017

Unmédecinplushumainqu’unhumain

Quelquesressources&exemplespourdébuter

•  TensorFlow:h"ps://www.tensorflow.org/

•  Essayerunréseauneuronalenligne

•  TensorFlowDevelopperSummit2017:– SkinCancerImageClassifica,on– Re,nalImaging

•  TutorielsSirajRaval(YouTube)