Lorsque AlphaGo de Google DeepMind a battu de manière choquante le légendaire joueur de Go Lee Sedol en 2016, les termes intelligence artificielle (IA), l'apprentissage automatique et l'apprentissage en profondeur ont été propulsés dans le courant technologique dominant.

L'IA est généralement définie comme la capacité d'un ordinateur ou d'une machine à présenter ou à simuler un comportement intelligent tel que la voiture autonome de Tesla et l'assistant numérique d'Apple Siri. C'est un domaine florissant et l'objet de nombreuses recherches et investissements. L'apprentissage automatique est la capacité d'un système d'IA à extraire des informations à partir de données brutes et à apprendre à faire des prédictions à partir de nouvelles données.

L'apprentissage en profondeur combine l'intelligence artificielle avec l'apprentissage automatique. Il s'agit d'algorithmes inspirés de la structure et de la fonction du cerveau appelés réseaux de neurones artificiels. L'apprentissage en profondeur a reçu beaucoup d'attention ces derniers temps, à la fois dans le monde de la consommation et dans l'ensemble de la communauté médicale.

L'intérêt pour l'apprentissage en profondeur a augmenté avec le succès d'AlexNet, un réseau de neurones conçu par Alex Krizhevsky qui a remporté le 2012 ImageNet Large Scale Visual Recognition Challenge, un concours annuel de classement d'images.

Une autre avancée relativement récente est l'utilisation d'unités de traitement graphique (GPU) pour alimenter les algorithmes d'apprentissage en profondeur. Les GPU excellent dans les calculs (multiplications et ajouts) nécessaires aux applications de deep learning, réduisant ainsi le temps de traitement des demandes.

Dans notre laboratoire de l'Université de la Saskatchewan, nous menons des recherches intéressantes sur l'apprentissage en profondeur liées aux applications de la santé — et en tant que professeur de génie électrique et informatique, Je dirige l'équipe de recherche. Lorsqu'il s'agit de soins de santé, utiliser l'IA ou l'apprentissage automatique pour établir des diagnostics est nouveau, et il y a eu des progrès passionnants et prometteurs.

Extraction des vaisseaux sanguins dans l'œil

La détection des vaisseaux sanguins rétiniens anormaux est utile pour diagnostiquer le diabète et les maladies cardiaques. Afin de fournir des interprétations médicales fiables et significatives, le vaisseau rétinien doit être extrait d'une image rétinienne pour des interprétations fiables et significatives. Bien que la segmentation manuelle soit possible, c'est un complexe, tâche longue et fastidieuse qui nécessite des compétences professionnelles avancées.

Mon équipe de recherche a développé un système qui peut segmenter les vaisseaux sanguins rétiniens simplement en lisant une image rétinienne brute. Il s'agit d'un système de diagnostic assisté par ordinateur qui réduit le travail requis par les spécialistes de la vue et les ophtalmologistes, et traite les images 10 fois plus vite, tout en conservant une grande précision.

Détecter le cancer du poumon

La tomographie par ordinateur (CT) est largement utilisée pour le diagnostic du cancer du poumon. Cependant, parce que les représentations visuelles des lésions bénignes (non cancéreuses) et malignes (cancéreuses) en tomodensitométrie sont similaires, un scanner ne peut pas toujours fournir un diagnostic fiable. Cela est vrai même pour un radiologue thoracique avec de nombreuses années d'expérience. La croissance rapide de l'analyse par tomodensitométrie a généré un besoin urgent d'outils informatiques avancés pour aider les radiologues à progresser dans le dépistage.

Pour améliorer les performances diagnostiques des radiologues, nous avons proposé une solution d'apprentissage en profondeur. Sur la base de nos résultats de recherche, notre solution surpasse les radiologues expérimentés. De plus, l'utilisation d'une solution basée sur l'apprentissage approfondi améliore les performances diagnostiques globales et les radiologues moins expérimentés bénéficient le plus du système.

Limites et défis

Bien que de grandes promesses aient été montrées avec des algorithmes d'apprentissage en profondeur dans une variété de tâches en radiologie et en médecine, ces systèmes sont loin d'être parfaits. L'obtention d'ensembles de données annotés de haute qualité restera un défi pour la formation en apprentissage en profondeur. La plupart des recherches en vision par ordinateur sont basées sur des images naturelles, mais pour les applications de santé, nous avons besoin de grands ensembles de données d'images médicales annotées.

Un autre défi d'un point de vue clinique sera le moment de tester les performances des techniques d'apprentissage en profondeur par rapport aux radiologues humains.

Il doit y avoir plus de collaboration entre les médecins et les scientifiques en apprentissage automatique. Le haut degré de complexité de la physiologie humaine sera également un défi pour les techniques d'apprentissage automatique.

Un autre défi réside dans les exigences de validation d'un système d'apprentissage en profondeur pour la mise en œuvre clinique, ce qui nécessiterait probablement une collaboration multi-institutionnelle et de grands ensembles de données. Finalement, une plate-forme matérielle efficace est nécessaire pour assurer un traitement rapide des systèmes d'apprentissage en profondeur.

Dans le monde complexe de la santé, Les outils d'IA peuvent aider les praticiens humains à fournir un service plus rapide et des diagnostics plus précis, et analyser les données pour identifier les tendances ou les informations génétiques qui peuvent prédisposer une personne à une maladie particulière. Quand gagner des minutes peut signifier sauver des vies, L'IA et l'apprentissage automatique peuvent être transformateurs pour les travailleurs de la santé et les patients.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.