intelligence artificielle en médecine
TRANSCRIPT
• 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)