Intelligence artificielle : la nouvelle façon de tester “in silico” les médicaments de demain

Et si votre futur médecin traitant était une IA ? Une machine surentrainée à analyser toutes sortes d’images médicales pour y repérer la moindre anomalie. Un robot capable d’opérer, même à distance. Ou même un pharmacien qui imaginerait pour vous des traitements sur mesure, et même de façon anticipée et prédictive. Les explications de Christophe Zimmer, directeur du département de Biologie computationnelle et de l’unité Imagerie et modélisation de l’Institut Pasteur.

Vidéo Capital - Big data 10 : Intelligence artificielle : la nouvelle façon de tester “in silico” les médicaments de demain

Par Lomig Guillo

Publié le 27 mai 2021 à 10h11.

Lecture : 3 min

Réservé aux abonnés

Quelles sont les principales avancées que l'on doit à l'IA en matière de santé ?

Christophe Zimmer, directeur du département de Biologie computationnelle de l’Institut Pasteur : Toutes les techniques d'imagerie médicale vont, si elles ne le font pas déjà, nécessiter une analyse par intelligence artificielle si on veut obtenir un diagnostic de pointe et de qualité. Un médecin peut être formé sur quelques milliers d'images au cours de sa formation, un algorithme peut lui être entraîné sur des millions voire des centaines de millions d'images. Et dans les avancées espérées pour les prochaines années, il y a un enjeu énorme sur la médecine personnalisée de précision, qui consiste à utiliser les informations dont on peut disposer sur un patient, les images mais aussi sur son génome et les risques de mutation qui pourraient prédisposer à différentes maladies. Et donc utiliser ces données pour prédire à un stade précoce les risques que tel patient puisse développer telle maladie. Et si possible, prédire aussi quel traitement serait le plus adapté.

Vous pensez qu’on laissera bientôt les IA établir seules un diagnostic ?

S'il s'avère que la performance de l'IA est telle que l'intervention d'un expert humain a tendance à dégrader le résultat plutôt qu'à l'améliorer, peut-être qu'à un moment donné on se reposera presque exclusivement sur l'analyse par intelligence artificielle. Mais je pense que nous en soyons déjà là.

Ecoutez l’intégralité de l’interview de Christophe Zimmer, de l’institut Pasteur, dans ce nouvel épisode du podcast “Big Data :

C’est pour cela que vous développez, vous, une approche qui consiste à faire pointer par l’IA des zones sur les images qui méritent l’attention des médecins, c’est ça ?

C'est effectivement une approche qui me semble plus responsable que de se fier entièrement à l'IA. Le principe, c'est d'utiliser l'IA pour attirer l'attention des experts sur des zones de l'image qui, par exemple, pourraient révéler des lésions difficiles à voir ou à repérer à l'œil nu, dans des images de scanner de poumon par exemple. Il faut savoir que les images médicales sont des images énormes. On parle de 100 000 par 100 000 pixels et les experts humains n'ont tout simplement pas le temps d'examiner ces images dans leur plus grand détail. Alors que des algorithmes peuvent faire cela en un clin d'œil et révéler des régions particulièrement intéressantes. Et ensuite les médecins peuvent consacrer leur temps, qui est limité, à ces régions spécifiquement soulignées par l'IA qui sont les plus intéressantes et déterminantes pour le diagnostic.

C’est d’autant plus vrai que vous dites aussi que, dans certaines circonstances, les IA peuvent commettre des erreurs grossières...

C’est vrai, elles peuvent parfois interpréter de manière incorrecte une image. Un exemple que j'ai en tête c'est l'image d'un enfant en train de se brosser les dents, et l'IA peut interpréter incorrectement la brosse à dent comme étant une batte de baseball. Ce qui n'a pas de sens, mais selon l'angle de la photo, l'objet peut sembler avoir une forme similaire et l'algorithme s'appuie sur des caractéristiques de forme, de texture, sans tenir compte du contexte.

C'est aussi pour cela qu'il faut que le code soit disponible et que l'on puisse accéder aux algorithmes ?

C'est essentiel que les codes sources soient rendus disponibles pour qu'ils puissent être réutilisés et validés et testés dans d'autres contextes. Une équipe peut très bien avoir développé un algorithme qui fonctionnerait très bien sur un certain type d'images mais qui ferait des erreurs importantes sur un autre jeu de données. Et il faut aussi que même si un algorithme est capable de distinguer et classifier avec une très grandes précisions des images de chats ou de chiens ou de cellules cancéreuses et de cellules saines, dans un contexte médical on a besoin de savoir pourquoi : quelles sont les raisons pour lesquelles telle cellule a été classée comme cancéreuse plutôt que telle autre. Or la réponse à cette question n'est pas évidente car la machine ne peut pas nous expliquer pourquoi elle a pris une telle décision ! Il faut donc essayer d'ouvrir cette boîte noire et rendre compréhensible à un être humain les règles qui sont utilisées de façon implicite par cette machine.

Tout cela fonctionne aussi si on donne à ces IA de quoi travailler : de la donnée. Tout le sujet, c'est donc finalement d'avoir accès aux données pour entraîner les machines ?

Effectivement, l'accès à des grandes quantités d'images pour entraîner ces algorithmes est clé. La qualité des prédictions qui peuvent être faites dépend surtout de la quantité d'images qui sont fournies à l'algorithme pour l'entraîner. Et les équipes qui auront accès à ces données en quantité prendront de l'avance. Cela soulève évidemment des questions de vie privée, mais il y a un bénéfice énorme à pouvoir entraîner ces IA sur de grandes quantités de données. Et il serait important de ne pas accumuler les contraintes réglementaires qui pourraient décourager certaines équipes de chercheurs, notamment en Europe. Ce qui serait dommage car on pourrait très bien dans dix ans se retrouver à devoir acheter très cher des logiciels qui auront été développés dans des pays moins regardants sur la protection des données de santé. Et qui, en plus, seraient beaucoup moins performants en Europe car ils n'auront pas été entraînés sur le même type de données.

Et côté médicaments ? Les IA pourraient aussi, dites-vous, découvrir des nouveaux antibiotiques notamment, en en testant beaucoup ?

Oui, l'IA pourrait intervenir en amont des tests, in silico, c'est à dire dans l'ordinateur, pour cribler des milliers, des millions voire des milliards de molécules différentes et en sélectionner un petit nombre, les plus prometteuses, qui pourront elles être étudiées de façon expérimentale.

Donc après les tests in vivo, puis in vitro, on réalise donc désormais des tests in silico ?

Oui, ce n'est pas nouveau et les méthodes d'intelligence artificielle ne font que donner une nouvelle dimension à ces approches. L'étude in silico des molécules et à terme de cellules entières, c'est quelque chose où la biologie computationnelle a toute sa place.

Retrouvez l’intégralité de l’interview de Christophe Zimmer et toutes les autres interviews de personnalités de l’univers de la donnée et de l’intelligence artificielle (Luc Julia, Laurence Devillers, Fred Potter, Bernard Werber, Baptiste Robert…) dans “Big Data”, la nouvelle série de podcasts de Capital.