Bertin Nahum fait partie des innovateurs les plus brillants de sa génération. Père des robots chirurgicaux made in France, ce visionnaire imagine la médecine de demain. Après avoir conçu un robot destiné à la chirurgie du genou, puis un deuxième pour la chirurgie du cerveau, cet ingénieur s’attaque aujourd’hui, avec un nouveau prototype, à la lutte contre le cancer du foie. Animé par la volonté de se sentir utile et de rendre l’acte chirurgical plus sûr, il s’efforce aussi de faire connaître au monde entier, l’excellence des technologies médicales françaises.

• Réduire les aléas

« Quand j’ai commencé à travailler dans ce secteur-là, j’ai été très étonné de voir que la chirurgie était une discipline très artisanale. La robotique est en mesure de faire ce qu’elle a fait dans plein de secteurs de la vie quotidienne : réduire les aléas. Il ne s’agit pas de remplacer le praticien mais d’optimiser l’acte chirurgical en le rendant plus précis et plus fiable. »

• Des robots révolutionnaires

Après avoir occupé des postes de terrain, Bertin Nahum a été confronté à la réalité et à la pratique sur la façon dont la technologie pouvait répondre aux besoins des chirurgiens. Visionnaire, il s’est fait père de robots chirurgicaux révolutionnaires. « Nos robots sont des outils intelligents. Ils utilisent des images pour planifier un acte chirurgical ; aident à la décision du praticien ; puis assistent la réalisation dans le geste à proprement dit. Ils utilisent de l’imagerie, de l’intelligence artificielle et de la robotique. »

• De l’importance du made-in-France

« La prochaine révolution numérique se fera dans le secteur de la santé. Les robots et l’intelligence artificielle pénétreront dans ce secteur. Cependant, quand on touche à la santé de gens, il faut s’assurer que cette activité ne reproduise pas ce qu’il s’est passé jusque-là avec les GAFA. Il est important que l’Europe se saisisse du sujet. »

Diplômé de l’INSA Lyon, Bertin Nahum a été sacré quatrième entrepreneur high-tech le plus révolutionnaire du monde par la revue canadienne Discovery en 2012, juste derrière Steve Jobs, Mark Zuckerberg et James Cameron. Il était l’invité du podcast « Les cœurs audacieux », un contenu audio proposé par l’INSA Lyon (Saison 2 – Épisode 1).

ÉCOUTER L’ÉPISODE

Une molécule capable de contrecarrer l’un des principaux mécanismes de résistance des tumeurs aux traitements anti-cancer et d’améliorer ainsi la survie des patients… C’est ce que pourraient avoir réussi à développer des chercheurs lyonnais.

Chirurgie, chimiothérapie, radiothérapie, mais aussi, depuis quelques décennies, thérapies ciblées et immunothérapie… l’arsenal thérapeutique contre le cancer n’a jamais été aussi important. Problème, à l’instar des bactéries qui peuvent devenir insensibles aux antibiotiques, les cellules cancéreuses peuvent elles aussi développer une « résistance » aux traitements anti-cancer, et leur échapper. Vaincre ce phénomène est donc crucial pour améliorer la survie à long terme des patients.

Or, voilà qu’une molécule développée en France, à Lyon, pourrait aider à relever ce défi. Et ce, de façon « universelle », pour tous les types de traitements anti-cancer chimiques existants. « Fruit de près de deux décennies de recherche, notre molécule s’est avérée très prometteuses lors de deux études, publiées en août 2023 », se réjouit Patrick Mehlen, directeur du Centre de recherche en cancérologie de Lyon.

>> Lire l’article complet sur le site :

CNRS

Article #3 – Dossier Pop’Sciences Diagnostic 2.0 : Quand l’IA intervient

Alors que les avancées technologiques continuent de redéfinir la manière dont les professionnels de la santé prennent en charge les patients, l’IA s’insère de plus en plus dans la relation entre le patient et son médecin. Au cœur de cette transformation, Loïc Verlingue, médecin et chercheur au Centre Léon Bérard partage son expertise de l’IA dans le domaine des essais cliniques en cancérologie.

Un article de Léo Raimbault, rédigé
pour Pop’Sciences – 5 septembre 2023

Loïc Verlingue, en tant que médecin au Centre Léon Bérard, vous vous impliquez dans des projets liés à l’intelligence artificielle. Pouvez-vous nous en dire plus sur votre travail dans ce domaine et sur l’impact de l’IA dans la prise en charge médicale ?

Je suis médecin en recherche clinique et travaille en particulier sur les essais cliniques de phase précoce, c’est à dire des nouveaux médicaments qui sont proposés et évalués chez les patients. Généralement, en santé, les essais cliniques sont présentés à des personnes saines, volontaires, voire rémunérées, mais en cancérologie, ces essais sont directement proposés aux patients, c’est notre spécificité.

En plus de mes activités cliniques, je fais de la recherche en intelligence artificielle. Ici, nos données de travail sont les comptes rendus de consultation et médicaux engendrés au cours du suivi. En tant que médecin, je suis « générateur de données » puisque je génère ces comptes rendus à chaque consultation. Je suis également « utilisateur de ces données », car avec celles-ci, j’essaye de développer des outils d’IA pour m’aider dans mes tâches et celles de mes collègues.

Cela fait environ 4 ans que nous travaillons sur le dernier outil, que l’on nomme en anglais « Eligibility Prediction » pour prédiction d’éligibilité au essais cliniques en cancérologie. Pour l’instant, nous en sommes au stade de recherche et de développement, il n’y a pas encore d’outil commercialisé. Si on estime que les performances sont bonnes, nous pourrons commencer à l’utiliser pour sélectionner les patients qui sont le plus en adéquation avec tel ou tel essai clinique.

Un dossier médical (1) peut se composer de diverses sortes de données telles que de l’imagerie médicale (2), des variables clinique (constantes, données biologiques…) (3), de consultations (4), ou d’autres documents textuels (5). ©Centre Léon Bérard

Vous travaillez sur le Traitement Automatique du Langage (TAL), c’est-à-dire des outils d’interprétation et de synthèse automatique de textes reposant sur de l’intelligence artificielle. Quelle est concrètement l’application du TAL dans ces comptes rendus médicaux ?

Il y en a beaucoup, et de plus en plus. Aujourd’hui les outils de Traitement Automatique du Langage évoluent à grande vitesse. Nous avons désormais des modèles qui comprennent parfaitement le langage humain. Sur certaines tâches d’ailleurs, ils sont équivalents à l’humain, voire parfois un peu supérieurs. Concrètement, les outils de TAL sont capables de nous aider à trouver des réponses à des questions, à rechercher des informations dans des textes, à comprendre les émotions exprimées et même à anticiper des résultats en se basant sur des textes.

Par exemple, l’outil que nous développons relie les comptes rendus médicaux aux historiques des patients pour prédire s’ils peuvent être de potentiels candidats pour des essais cliniques. Sans IA, le choix d’éligibilité des patients à ces essais est bien plus long et fastidieux pour les médecins. Cela se décide lors de réunions hebdomadaires dans lesquelles nous consultons un nombre limité de dossiers de patients. Mais nous n’évaluons pas tous les patients d’un hôpital, ou d’hôpitaux environnants, car nous manquons de temps… Ainsi, avec des outils automatiques, nous pourrions lire beaucoup plus d’informations sur les patients, et ce, en seulement quelques secondes !

Toutefois, remplacer les médecins par de l’IA est hors de propos. Il y aura toujours une étape « humaine », ne serait-ce que pour s’assurer que les patients sont intéressés pour participer aux essais cliniques et que les critères de sélection sont respectés. C’est trop subtil pour laisser l’IA seule dans cette tâche, c’est pourquoi il faut tout valider manuellement, humainement.

« Le traitement automatique du langage naturel est un domaine multidisciplinaire impliquant la linguistique, l’informatique et l’intelligence artificielle. Il vise à créer des outils de capable d’interpréter et de synthétiser du texte pour diverses applications » – CNIL. ©Pexel

Vous travaillez avec les dossiers des patients, des informations très sensibles. L’IA pose-t-elle de nouvelles problématiques au niveau de la sécurité des données hospitalières ?

Nous travaillons à l’hôpital, donc avec des données très sensibles et sécurisées, stockées dans des bases de données internes aux hôpitaux. Évidemment, il y a de nombreuses contraintes réglementaires et sécuritaires pour accéder et installer des outils dans ces bases de données. Mais c’est faisable aujourd’hui.

Bien sûr, cela pose beaucoup de questions sur la sécurité des données… et heureusement ! De nouveaux outils appellent de nouvelles questions. Pendant une décennie, les dossiers patients sont passés à l’informatique sans vraiment être exploités. Cependant, ces deux dernières années, nous avons compris leur potentiel pour utiliser des outils automatiques. De fait, beaucoup de médecins et chercheurs se sont penchés sur le sujet pour accéder à ces données. Cela pose nécessairement la question de qui a le droit d’y accéder ? Sachant que le secret médical est un principe fondamental et que nous, médecins, n’avons pas le droit de divulguer les informations d’un patient.

Aujourd’hui, tout est fait pour que ce principe ne soit pas violé. Ce qui est donc compliqué, c’est de faire accéder un tiers à ces données. Peut-on laisser ce droit à une start-up ? Si oui, sous quelles conditions ? Le cas échéant, comment doivent être transformées les données pour qu’elles soient anonymisées ou non reconnaissables, etc. Et puis il y a encore d’autres défis à relever lorsqu’un outil de langage a lu des données… Je ne sais pas si on peut dire qu’il a accumulé des connaissances, mais dans tous les cas, il a eu connaissance d’informations sur la santé des patients…

Cela reste encore un peu flou, les règles de partage de ces outils sont en train d’être mises au point. Quoi qu’il en soit, il faut respecter un certain nombre de règles pour entraîner des modèles d’IA sans extraction d’informations non-contrôlée. Nous ne pouvons certainement pas demander à un outil d’IA le niveau de responsabilité d’un humain. En fin de compte, c’est dans les utilisateurs de cet outil que nous plaçons notre confiance.

Rencontrez-vous une certaine réticence de la part des patients vis-à-vis de l’IA ? Ces nouveaux outils sont encore relativement mal compris et peuvent représenter une menace dans l’inconscient collectif.

Tout dépend de comment on les utilise. Quand on explique à un patient que nous utilisons des outils un peu plus automatisés pour leur permettre un accès plus facile à l’innovation thérapeutique, c’est possible que certains y soient réfractaires. Mais la finalité reste positive pour le patient, et c’est généralement bien reçu. Après, nous prenons des mesures pour les informer sur l’utilisation de leurs données.

Par exemple, depuis environ sept ans dans mon hôpital, une information automatique circule auprès des patients concernant l’utilisation de leurs données, et ils ont tout à fait le droit de refuser que celles-ci soient utilisées. C’est un peu comme la stratégie des cookies sur Internet. Si le médecin n’obtient pas le consentement de son patient, il n’a tout simplement pas le droit d’utiliser ses données.

©Pexel

Et de la part des médecins, comment les nouveaux outils d’IA sont-ils perçus ?

Chez les médecins, ce n’est pas homogène évidemment. Oui, les choses ont beaucoup changé avec la médiatisation de l’IA. ChatGPT, qui fait beaucoup de bruit, a mis en lumière des domaines mal connus du Traitement Automatique du Langage. En fait, les gens, et principalement les médecins, ne connaissaient pas forcément ce domaine et avaient du mal à se projeter dans l’outil et en identifier l’utilité. Il y avait un gros travail d’explication et de vulgarisation à amorcer avant que les personnes de la profession puissent en capter l’intérêt appliqué à la santé. Aujourd’hui, beaucoup ont utilisé ChatGPT et en cernent mieux les intérêts et les limites.

Naturellement, comme dans tout métier dans lequel est appliquée l’IA, le premier réflexe est de se dire « un outil qui arrive à comprendre le langage ne va-t-il pas me remplacer à terme ? »… sachant que le métier de médecin est principalement basé sur la communication. On communique avec le patient, on acquiert de l’information, on fait des liens et on rend un diagnostic, puis une proposition de traitement… Mais il existe de nombreuses applications qui peuvent aider les praticiens dans l’exercice de la médecine.

Prenons un exemple caricatural : l’arrivée du thermomètre. Avant, les médecins étaient très forts pour estimer la température du patient rien qu’au toucher. Une fois le thermomètre apparu, ils ont perdu cette compétence, mais ils ont augmenté en précision pour cette application. Finalement, on augmente en niveau de connaissance avec ces nouveaux outils, donc on améliore nos compétences et notre pratique de la médecine, j’espère.

L’IA peut avoir de profondes implications dans la relation patient/médecin. L’IA se prêterait-elle à renouer du lien dans les déserts médicaux par exemple ?

La question des déserts médicaux est intéressante pour les applications numériques. Celles-ci ne sont pas la seule solution, évidemment, il y a besoin d’humains. D’ailleurs, je pense qu’il faut d’abord faire des efforts pour ramener des humains dans ces lieux et répondre aux besoins. Mais s’il existe des déserts médicaux, c’est qu’il y a des limites…

Une deuxième solution pourrait en effet reposer sur des outils numériques, comme les chatbots par exemple, qui permettent d’échanger de l’information avec les patients. Finalement, cela pose une autre question : est-ce que le patient peut se retrouver seul face à une machine dans un cadre médical ? Je pense que s’il n’y a pas de lien humain derrière pour personnaliser le diagnostic face à une liste de maladies potentielles, ce peut être extrêmement anxiogène pour un patient… En cela, il existe peut-être un danger à appliquer ces seules solutions numériques dans les déserts médicaux.

PPour aller plus loin

• Natural Language Processing for Patient Selection in Phase I or II Oncology Clinical Trials, la publication scientifique à propos de l’outil que participe à développer Loïc Verlingue

Article #4 – Dossier Pop’Sciences Diagnostic 2.0 : Quand l’IA intervient

Améliorer l’interprétation de l’imagerie médicale (IM) pour en optimiser l’exploitation est au cœur des enjeux de l’intelligence artificielle (IA). L’IA n’est plus “seulement” un domaine de recherche en plein essor et ses applications en sont, aujourd’hui, multiples.  Objectifs affichés : augmenter la précision du diagnostic afin d’améliorer la prise en charge thérapeutique, en évitant les erreurs potentiellement lourdes de conséquences. La guerre des algorithmes est ouverte pour aller toujours plus loin !

Un article de Nathaly Mermet, journaliste scientifique, rédigé
pour Pop’Sciences – 5 septembre 2023

Améliorer l’interprétation de l’imagerie médicale pour en optimiser l’exploitation est au cœur des enjeux de l’intelligence artificielle ©Unsplash

Initialement réservée au diagnostic des fractures des os, l’imagerie médicale a bénéficié d’avancées majeures dans l’ensemble des domaines thérapeutiques. Aujourd’hui, cette spécialité comprend la radiologie diagnostique (radiographies, scanners, IRM, échographie) et la radiologie interventionnelle, à savoir une forme de chirurgie mini-invasive qui utilise l’imagerie pour se repérer, comme pour déboucher une artère en cas d’AVC (accident vasculaire cérébral).

L’imagerie fonctionnelle en est le dernier exemple. Encore émergente et faisant l’objet de projets de recherche, elle vise à révéler les propriétés d’une zone étudiée, notamment sa fonctionnalité (par IRM, Rayons X…) ou à restituer des informations fonctionnelles (par TEP, IRM Fonctionnelle…).

“ L’IA d’aujourd’hui n’est pas la même que celle d’il y a 10 ans, et également différente de celle dont on disposera dans 10 ans” souligne le Dr Alexandre Nérot, médecin radiologue issu de l’Université de Lyon, spécialiste de radiologie interventionnelle et auteur d’une thèse d’exercice sur l’IA (développement d’intelligences artificielles par réseau de neurones). Actuellement en activité au Centre Hospitalier d’Annecy, il nous indique qu’en radiologie, l’usage de l’IA pour l’analyse d’image est attendu et à la fois craint depuis la révolution technologique qu’elle a généré en 2012. “L’évolution se fait par marche, déclenchant à chaque fois des développements de manière exponentielle, mais l’IA actuelle reste un outil et est encore loin de remplacer le radiologue” déclare-t-il, indiquant que si un jour la radiologie venait à être renversée par l’IA alors le problème sera sociétal et pas uniquement cantonné à la radiologie.

En pratique, “l’intérêt, déjà énorme, de l’IA en imagerie médicale est double : elle permet à la fois l’analyse des images, mais peut aussi améliorer de la qualité d’image, grâce à ses « connaissances » acquises en anatomie. Cela nous permet un gain de temps considérable dans la réalisation des images, jusqu’à 14 fois plus rapide ” reconnaît-il, indiquant que pour une fracture, par exemple, le radiologue n’interprète que rarement la radio, mais analyse davantage l’échographie, l’IRM et le scanner. Autre exemple, une mammographie bénéficiera quant à elle d’une double lecture : par le radiologue et par une IA. “L’intérêt n’est pas de remplacer le radiologue, mais d’apporter une nouvelle lecture” insiste Alexandre.

Parmi les perspectives d’applications séduisantes de l’IA pour l’IM : la surveillance de l’activité cérébrale et notamment ses réactions aux stimuli moteurs, émotionnels et mentaux. L’extension de l’IA au service de l’IM dans tous les champs médicaux est donc vertigineuse !

<Les biais à l’épreuve des algorithmes

Les algorithmes ont pour “mission” d’apprendre à repérer des anomalies sur les images, et à détecter de manière fiable et rapide certaines structures subtiles. ©Pexel

Les algorithmes de machine learning, ou apprentissage automatique, ont pour “mission” d’apprendre à repérer des anomalies sur les images, et à détecter de manière fiable et rapide certaines structures subtiles. Grâce aux applications de l’IA à la médecine, il est désormais possible d’analyser massivement toutes sortes d’images dans le but de dépister les tumeurs et autres anomalies. Mais paradoxalement, les algorithmes ne sont pas toujours cliniquement pertinents. C’est ce qu’explique l’étude « Machine learning for medical imaging: methodological failures and recommendations for the future » (en français : Apprentissage automatique pour l’imagerie médicale : échecs méthodologiques et recommandations pour l’avenir), qui décortique les mécanismes à l’œuvre derrière ce paradoxe ^[1]. Selon les auteurs, face aux biais qui faussent les modèles, en particulier l‘insuffisance des données (quantitative et/ou qualitative) pour entraîner l’algorithme, l’informaticien doit sortir de sa zone de confort et communiquer avec le médecin qui est l’utilisateur de ces algorithmes. “Le manque de données est plutôt de l’imprécision, mais peut créer des biais si les données ne sont pas représentatives du cas réel” précise Alexandre Nérot.

Par ailleurs, dès lors qu’interviennent le Deep Learning et les réseaux de neurones artificiels*, on est en « zone d’opacité », dans laquelle l’explicabilité des résultats n’est pas évidente et où le médecin n’est pas toujours en mesure de comprendre comment l’outil a transformé les données en résultat. Il est donc nécessaire que développeurs et professionnels de santé utilisateurs parviennent à adopter un langage commun pour marier performance et sens. “De plus en plus, il y aura besoin de profils hybrides à l’interface des deux mondes” analyse le Dr Nérot, lui-même développeur, en capacité d’échanger avec les sociétés de développement, indiquant que, grâce à la mise en place d’un diplôme d’IA pour les radiologues, il y aura chaque année une promotion dotée de la double compétence. “Sans devenir un spécialiste, mais avec la volonté de s’y intéresser, chaque médecin devra à l’avenir avoir une petite culture d’IA” affirme-t-il.

ÀÀ l’aube de l’IA 4 IM : déjà des apports majeurs, mais tellement plus à attendre encore !

Si en une décennie, la reconnaissance automatique d’images a bénéficié de progrès fulgurants, la puissance des algorithmes reste le nerf de la guerre pour “aller plus loin”. La compétition fait rage pour quantifier l’erreur et réduire l’incertitude en imagerie médicale afin de garantir la fiabilité et la précision des résultats obtenus.

Outre la quantité, il convient de disposer de données de haute qualité, contrôlées, afin d’entraîner des algorithmes d’IA à délivrer des résultats justes et précis… et leur validation reposera nécessairement sur la comparaison avec ceux obtenus par des experts humains, qui doivent rester les référents. CQFD :  l’IA reste tributaire à la fois des données et de la puissance des algorithmes.  La “data” est donc au cœur des enjeux, et c’est de fait là où le bât blesse si elle s’avère insuffisante, incomplète ou manquante. Composante faisant partie intégrante de l’IA, le machine learning va consister à alimenter le logiciel de milliers de cas cliniques grâce à la contribution des professionnels de santé afin qu’il soit en mesure d’effectuer des tâches de classement, permettant, par exemple, d’identifier des grains de beauté ou des mélanomes malins.

Si on estime que le médecin “réussit à 80%” une identification de cellules, la valeur ajoutée de l’IA n’existe que si elle dépasse largement cette probabilité, pour idéalement s’approcher d’une fiabilité à 100% et apporter une véritable sécurité. Précieux outil pour aider les médecins à diagnostiquer avec plus de précision et de rapidité, l’IA garde pour l’heure le statut… d’outil !

LL’IA appliquée à un monde de variables : l’imagerie médicale

Extrait de la table ronde « IA et santé » organisée par Pop’Sciences le 26 juin 2023. Un rendez-vous professionnel chercheur / journaliste, développé en collaboration avec le Club de la presse de Lyon (Projet LYSiERES²).

—————————————————————

Notes :

[1] Le “machine learning” consiste à apporter une solution à un problème donné en s’appuyant sur un réseau de neurones organisés selon une architecture particulière. Le deep learning est une façon de faire du machine learning en intégrant une quantité importante de données (Big Data)

PPour aller plus loin :

[1] https://www.inria.fr/fr/imagerie-medicale-intelligence-artificielle-apprentissage-automatique

• L’intelligence artificielle bouleverse le diagnostic en oncologie
• 12 LabEx impliqués
• Rouzeau S. (2019). Artificial intelligence: which prescription for the health sector? Les Echos
• Les start-ups françaises de la santé s’emparent de l’intelligence artificielle
• Demain : intelligence artificielle et santé, les données au service du patient
• https://idexlyon.universite-lyon.fr/idexlyon/version-francaise/navigation/les-actualites/journee-scientifique-inter-labex-intelligence-artificielle-transformations-et-defis-143684.kjsp