L’intelligence artificielle au secours de la rétinopathie diabétique (Transcript)

Mountain View, Etats-Unis – De plus en plus de travaux témoignent de l’intérêt de la machine dans le domaine de la pathologie grâce à la mise au point de programmes faisant appel à l’intelligence artificielle. Le JAMA rapporte qu’un algorithme fondé sur le « deep learning » a été capable de détecter la rétinopathie diabétique sur des images de fond d’œil rétinien avec une sensibilité et une spécificité élevées [1]. Reste à savoir comment ces nouvelles techniques d’analyse reposant sur la machine vont se traduire dans la pratique clinique, comment les médecins et en particulier les anatomopathologistes vont s’y adapter et si, cela, va, au final, améliorer la prise en charge des patients. Ces questions sont abordées dans trois commentaires accompagnant l’article [2,3,4].

La rétinopathie diabétique, particulièrement adaptée à la détection automatisée

L’anatomopathologie et la radiologie, deux domaines de la médecine où la lecture d’images (histologiques, photographiques, radiologiques…) tient une place importante, bénéficient des premiers progrès en matière d’automatisation. Et la rétinopathie diabétique (RD) qui demande un dépistage important en raison de la taille de la population concernée – 5 millions de diabétiques de plus de 40 ans aux Etats-Unis – s’y prête particulièrement.

Plusieurs essais d’analyses d’images de fond d’œil automatisées ont été réalisées par le passé, mais ils reposaient jusqu’à présent, soit sur des algorithmes dits de « machine learning », où les ingénieurs et les experts entrainent la machine à reconnaitre certains motifs, soit sur de petites séries de photographies. Le travail présenté ici est innovant par sa méthode, le « deep learning », où l’ordinateur devient autodidacte (voir encadré), mais aussi par la précision des résultats obtenus.

Comprendre le « deep learning » Après une phase où les résultats n’étaient pas à la hauteur des attentes, l' « apprentissage profond » a aujourd’hui le vent en poupe. Ce système d'apprentissage et de classification est même désormais la méthode phare de l'intelligence artificielle (IA). Outre sa mise en œuvre dans le champ de la reconnaissance vocale avec Siri, Cortana et Google Now, le deep learning est avant tout utilisé pour reconnaître le contenu des images, à l’instar de Facebook qui s'en sert pour détecter les images contraires à ses conditions d'utilisation. Mais de quoi s’agit-il ? Le « deep learning » est en quelque sorte une version améliorée du « machine learning », une technique courante en IA, permettant aux machines d'apprendre. Concrètement, pour qu'un programme apprenne à reconnaître une rétinopathie diabétique sur une photographie rétinienne, on lui « fournit » de dizaines de milliers d'images de fond d’œil, étiquetées comme telles. Une fois « entraîné », il peut reconnaître des lésions de ce type sur de nouvelles images. Le deep learning utilise lui aussi l'apprentissage supervisé, mais avec un système interne différent basé sur des « réseaux de neurones artificiels » numériques, c’est-à-dire une machine virtuelle composée de milliers d'unités (les neurones) qui effectuent chacune de petits calculs simples. « La particularité, c'est que les résultats de la première couche de « neurones » vont servir d'entrée au calcul des autres », explique Yann Ollivier, chercheur en IA au CNRS, dans un article du Monde consacré à la technique [5]. C’est d’ailleurs ce mode de fonctionnement par « couches » qui justifie le terme d'apprentissage « profond ». A chaque étape (ou couche), le réseau de « neurones » approfondit sa compréhension de l'image avec des concepts de plus en plus précis. Ici, l’ordinateur a été capable de modifier les paramètres qui lui ont été fournis au départ en fonction des données qu’il a « observé » (l’intensité des pixels sur les photographies de fond d’œil) pour améliorer le résultat requis, à savoir la gradation des lésions en fonction de leur sévérité.

Comprendre le « deep learning »

Après une phase où les résultats n’étaient pas à la hauteur des attentes, l' « apprentissage profond » a aujourd’hui le vent en poupe. Ce système d'apprentissage et de classification est même désormais la méthode phare de l'intelligence artificielle (IA). Outre sa mise en œuvre dans le champ de la reconnaissance vocale avec Siri, Cortana et Google Now, le deep learning est avant tout utilisé pour reconnaître le contenu des images, à l’instar de Facebook qui s'en sert pour détecter les images contraires à ses conditions d'utilisation.

Mais de quoi s’agit-il ? Le « deep learning » est en quelque sorte une version améliorée du « machine learning », une technique courante en IA, permettant aux machines d'apprendre. Concrètement, pour qu'un programme apprenne à reconnaître une rétinopathie diabétique sur une photographie rétinienne, on lui « fournit » de dizaines de milliers d'images de fond d’œil, étiquetées comme telles. Une fois « entraîné », il peut reconnaître des lésions de ce type sur de nouvelles images. Le deep learning utilise lui aussi l'apprentissage supervisé, mais avec un système interne différent basé sur des « réseaux de neurones artificiels » numériques, c’est-à-dire une machine virtuelle composée de milliers d'unités (les neurones) qui effectuent chacune de petits calculs simples. « La particularité, c'est que les résultats de la première couche de « neurones » vont servir d'entrée au calcul des autres », explique Yann Ollivier, chercheur en IA au CNRS, dans un article du Monde consacré à la technique [5].

C’est d’ailleurs ce mode de fonctionnement par « couches » qui justifie le terme d'apprentissage « profond ». A chaque étape (ou couche), le réseau de « neurones » approfondit sa compréhension de l'image avec des concepts de plus en plus précis. Ici, l’ordinateur a été capable de modifier les paramètres qui lui ont été fournis au départ en fonction des données qu’il a « observé » (l’intensité des pixels sur les photographies de fond d’œil) pour améliorer le résultat requis, à savoir la gradation des lésions en fonction de leur sévérité.

Détecter la rétinopathie diabétique grâce à l’intelligence artificielle

Commenter

Détecter la rétinopathie diabétique grâce à l’intelligence artificielle

Tables

Auteurs et déclarations

Auteurs et déclarations

Author(s)

Stéphanie Lavaud

Commenter

Envoyer

Feedback