SophIA Summit : des IA encore peu généralisables en raison du manque d’accès aux données (O. Humbert)

2023 - © SophIA Summit

Un campus franco-indien labellisé à Nice (AAP)

Olivier Humbert : La recherche en IA, c’est du temps long mais, heureusement, nous avons avancé depuis 2021. Nous avons construit des modèles. Un doctorant va soutenir sa thèse dans 1 mois et présenter ses résultats sur ce projet, résultats qui ont aussi été exposés en congrès.

Nous sommes parvenus à obtenir un modèle avec 8 marqueurs qui proviennent de ces différentes sources d’informations et qui permettent de prédire avec des performances tout à fait correctes l’efficacité de l’immunothérapie : les résultats en termes de prédiction se situent entre 70 % et un peu plus de 80 % de prédiction selon ce que l’on souhaite prédire, la récidive ou l'échec du traitement. Nous avons appris beaucoup de choses. Nous avons surtout développé des modèles prédictifs. Prédire la réponse à l’immunothérapie du cancer du poumon est un gros enjeu parce qu’aujourd’hui, on ne sait pas du tout identifier les patients qui vont répondre positivement au traitement et on manque de précision dans notre décision donc on a besoin de ces aides technologiques.

Le modèle le plus réussi que nous avons développé est un modèle qui intègre des données du patient à la fois cliniques et biologiques, et aussi extraites de son dossier d’imagerie médicale (PETPETPositron Emission Tomography (tomographie par émission de positrons)-Scan). C’est un modèle assez simple puisqu’on a analysé quelques dizaines de caractéristiques de ces données : nous sommes parvenus à obtenir un modèle avec 8 marqueurs qui proviennent de ces différentes sources d’informations et qui permettent de prédire avec des performances tout à fait correctes l’efficacité de l’immunothérapie : les résultats en termes de prédiction se situent entre 70 % et un peu plus de 80 % de prédiction selon ce que l’on souhaite prédire, la récidive ou l'échec du traitement.

Ce sont de bons résultats parce qu’on dépasse largement les biomarqueurs qu’on avait jusqu’à présent, qui étaient individuels : auparavant, on utilisait plutôt un seul biomarqueur et on regardait sa valeur prédictive, qui se situait entre 65 % et 70 %. Ce qu’on a confirmé avec le nouveau modèle, c’est l’intérêt de combiner différents paramètres pour avoir une approche plus globale du patient, parce qu’on regarde son âge, son poids, ses habitudes (Est-ce qu’il fume ?), la biologie de la tumeur, est-ce qu’elle exprime le récepteur cible du traitement ainsi que l’image, quel est le volume global de la maladie, etc. Cela permet d'être beaucoup plus précis afin d’avoir une sorte de signature qui combine ces biomarqueurs pour une prédiction plus fiable.

Il s’agit ici de modèles de machine learning assez simples mais efficaces. La simplicité permet d’avoir des résultats plus robustes.

On s’intéresse aussi au deep learning, qui nécessite des techniques plus poussées. Nous avions réussi à avoir des bases de données de 350 patients mais ça reste compliqué. Avec notre modèle de deep learning sur 350 patients, on obtient des prédictions mais on ne dépasse pas l’efficacité des modèles simples, on est même un peu en dessous. On a par exemple analysé l’image PET-Scan par deep learning : on a la capacité de prédiction mais l’information est tellement subtile qu’il faudrait avoir de plus grosses bases de données. On est toujours bloqués sur cette problématique d’accès à la donnée.

Notre constat actuellement est que sont les modèles plutôt simples de machine learning qui sont les plus efficaces et qui nous apportent le plus.

Ces modèles de deep learning, on les a publiés, on les a évalués dans d’autres centres et on s’est rendu compte qu’ils fonctionnaient bien sur les patients d’autres établissements. Cependant, des limites sont apparues.

On a développé et validé notre algorithme d’IA au sein de notre centre, à Nice (centre Antoine LacassagneCentre Antoine Lacassagne). Souvent, un modèle fonctionne bien uniquement dans l’établissement où il a été développé, c’est pourquoi il est important d’aller le tester en externe sur des données indépendantes. On a dans un premier temps été satisfaits parce qu’il fonctionnait bien aussi à Monaco (centre hospitalier Princesse GraceCentre Hospitalier Princesse Grace) et à Rouen (centre Henri BecquerelCentre Régional de lutte contre le cancer de Haute Normandie - Henri Becquerel) mais lorsqu’on l’a testé à Paris à l’Institut CurieInstitut Curie, ses performances étaient beaucoup plus décevantes.

Les centres de Monaco et de Rouen ont des populations de patients à peu près similaires à la nôtre. Ce n’est pas le cas à l’Institut Curie. Le problème de ces algorithmes, c’est leur capacité à être généralisables : tant qu’on aura des bases de données qui ne sont pas assez grandes ou trop centrées sur un pays, sur un établissement, on aura du mal à faire fonctionner les modèles pour tout le monde.

Si on veut faire du deep learning et des choses plus complexes, il faut lever le verrou d’accès à la donnée au sein de plusieurs centres. C’est indispensable sinon on n’aura jamais des algorithmes qui fonctionnent bien. Il faut impérativement les valider sur d’autres centres. On s’est aussi rendu compte qu’il y avait quelques biais, par exemple avec les patients assez âgés, probablement parce qu’on n’avait pas assez de données issues de patients âgés dans notre base d’entraînement.

La recherche, c’est ça : on progresse sur certains points et parfois on identifie des limites. L'étape d’après est d’avancer, de surmonter les problématiques rencontrées.

Comme on ne disposait pas de bases de données assez grandes, nous sommes donc pour l’instant revenus à une certaine simplicité avec un modèle basé sur du machine learning : seulement 8 paramètres mais un modèle assez robuste. Si on veut faire du deep learning et des choses plus complexes, il faut lever le verrou d’accès à la donnée au sein de plusieurs centres. C’est indispensable sinon on n’aura jamais des algorithmes qui fonctionnent bien. Il faut impérativement les valider sur d’autres centres.

Oui. Et on va le faire avec le federated learning (apprentissage fédéré).

Il reste encore beaucoup à faire mais on a beaucoup avancé. En 2021, c'était vraiment le début des discussions.

Le federated learning, c’est une infrastructure qui relie les hôpitaux ensemble pour qu’ils puissent entraîner des modèles d’intelligence artificielle sur les données de différents hôpitaux mais sans que ces dernières quittent l’hôpital où elles ont été produites. Normalement, dans le système initial « centralisé », on sort les données des hôpitaux, on les met dans un serveur et on entraîne le modèle. Avec le federated learning, on a une infrastructure qui permet de faire communiquer les paramètres des modèles entre les hôpitaux et les données ne bougent pas.

Cette approche est extrêmement intéressante en médecine parce que, du fait de la confidentialité des données, il y a toujours un risque de les sortir des hôpitaux : elles peuvent partir dans la nature et on ne sait jamais ce qui peut arriver. Cela rassure tout le monde d’avoir ce type d’infrastructure puisque les données restent « au chaud » à l’hôpital, de manière très sécurisée. C’est une vraie garantie de sécurité.

En revanche, ça change un peu le paradigme, la manière dont on doit travailler, parce qu’on doit disposer de cette infrastructure de communication entre les hôpitaux et c’est assez complexe. On doit aussi avoir dans les hôpitaux de la puissance de calcul pour entraîner les algorithmes. C’est un enjeu.

Dans le cadre de ce projet, nous avons travaillé avec Marco LorenziMarco Lorenzi, chercheur au sein de l'équipe Epione (pour « E-patient : images, données & modèles pour la médecine numérique ») à InriaInria Sophia Antipolis.

Grâce au financement obtenu, on passe maintenant à l'étape supérieure : une dizaine d'établissements, notamment d’importants centres parisiens comme Gustave Roussy, ont intégré le projet. On est en train d’installer cette infrastructure entre les établissements pour avoir accès aux données de 1 200 patients afin d’entraîner cette fois-ci des modèles d’IA beaucoup plus puissants. Autre élément important : nous avons obtenu des financements (nationaux, académiques), un point essentiel en recherche. Au total, nous avons reçu un peu plus d'1 million d’euros, ce qui a permis de lancer ce projet.

Nous avons aussi réalisé la preuve de concept (PoCPoCProof of concept) sur 3 établissements (l’Institut Curie à Paris, le centre Henri Becquerel à Rouen et le centre Antoine-Lacassagne à Nice) : nous sommes parvenus à connecter les établissements entre eux et donc à entraîner notre modèle au sein des différents centres.

Grâce au financement obtenu, on passe maintenant à l'étape supérieure : une dizaine d'établissements, notamment d’importants centres parisiens comme Gustave RoussyGustave Roussy, ont intégré le projet. On est en train d’installer cette infrastructure entre les établissements pour avoir accès aux données de 1 200 patients afin d’entraîner cette fois-ci des modèles d’IA beaucoup plus puissants. Ce nombre conséquent de données va permettre d’avoir des modèles plus complexes, donc potentiellement plus précis, d’avoir aussi de la diversité parce qu’on a des petits et des gros établissements, des centres très axés sur la recherche, d’autres moins, etc.

C’est un projet assez compliqué, notamment sur le plan réglementaire.

En tout cas, nous sommes bien entourés et on avance. Le projet a démarré en décembre 2022 et va durer 3 ans : il se terminera donc en décembre 2025.

Nous avons obtenu des financements, réalisé la preuve de concept (PoC)… Nous sommes actuellement en train de développer le modèle à l'échelle nationale, avec notamment un partenariat avec Unicancer. Nous travaillons toujours sur le cas du cancer poumon et l’immunothérapie (PoC) mais une fois que l’infrastructure sera établie, il s’agira d’un outil merveilleux, utilisable dans d’autres champs, pour d’autres données médicales… Le modèle pourra être utilisé pour d’autres applications.

Nous collaborons avec des laboratoires de recherche et des hôpitaux. La question est de savoir comment on valorise chacun d’entre eux. Les laboratoires sont plutôt attachés à la propriété intellectuelle, les hôpitaux plutôt aux publications scientifiques. Les valorisations attendues ne sont pas forcément les mêmes d’un établissement à l’autre. Nous devons définir ce que l’on apporte aux laboratoires de recherche et ce que l’on apporte aux hôpitaux.

Il y a deux ans, quasiment personne ne connaissait l’apprentissage fédéré. Aujourd’hui, c’est un sujet qui commence à circuler dans les congrès et les gens trouvent que c’est génial, que c’est ce qu’il faut faire. Techniquement, c’est un peu compliqué certes, il y a des choses à résoudre mais j’y crois vraiment pour l’avenir. Ensuite, on doit se procurer du matériel de puissance informatique. C’est nous qui l’achetons parce que c’est nous qui disposons des financements alloués aux projets. On aimerait céder cet argent aux hôpitaux mais il est assez complexe dans un projet de posséder directement du matériel.

Ce sont ce genre de petits aspects techniques qui peuvent poser problème.

Malgré ces difficultés sur le plan réglementaire et sur le plan informatique/technique, l’engouement de la communauté médicale pour le federated learning est évident. Tout le monde pense que l’avenir de l’IA va aussi passer par l’apprentissage fédéré. Parce que les données sont dans les hôpitaux, les médecins les connaissent bien : le federated learning évite de séparer la donnée de l’hôpital où elle est produite et des médecins qui la connaissent. C’est extrêmement pertinent, ça rassure tout le monde. Il y a une vraie confiance des médecins dans ce système. Je pense que c’est quelque chose qui va changer la donne en IA.

Il y a deux ans, quasiment personne ne connaissait l’apprentissage fédéré. Aujourd’hui, c’est un sujet qui commence à circuler dans les congrès et les gens trouvent que c’est génial, que c’est ce qu’il faut faire. Techniquement, c’est un peu compliqué certes, il y a des choses à résoudre mais j’y crois vraiment pour l’avenir.

Il y a des financements qui proviennent d’Inria. L’institut finance des ingénieurs : il y a plusieurs chercheurs sur le projet à Inria.

Le problème que l’on rencontrait était plutôt le financement du côté des hôpitaux parce qu’ils ne sont pas là pour financer de la puissance de calcul et des GPUGPUGraphics Processing Unit (processeurs graphique). On a remporté l’appel à projets national « PRT-K » (programme de recherche translationnelle en cancérologie), avec un financement apporté par l’IncaInstitut National du Cancer et par la DGOSDirection générale de l'offre de soins, qui permet justement de financer les hôpitaux.

Il y a donc une partie où Inria finance la recherche, et une autre où l’Inca et la DGOS financent les besoins du côté des hôpitaux pour constituer les bases de données, brancher l’infrastructure au système informatique, etc.

Ce projet de federated learning se termine dans deux ans, une période courte en recherche. Il va falloir carburer parce qu’il y a plusieurs enjeux à adresser. Et une fois que ce sera le cas, il y aura encore beaucoup de travail à effectuer pour faire de ce projet quelque chose de fonctionnel, avec une maintenance dans les hôpitaux pour pouvoir répondre à d’autres questions mais nous avons des soutiens donc nous allons y parvenir.

Nous avons un autre projet important avec EuranovaEuranova, une entreprise belge de data science qui s’intéresse au secteur de la santé, et dont la partie R&D est installée à Marseille.

On collabore avec eux sur l’image PETPETPositron Emission Tomography (tomographie par émission de positrons)-Scan. Quand un patient est atteint d’un cancer métastatique, il a plusieurs dizaines de lésions. L’objectif est d’apprendre à l’algorithme que nous développons à détecter ces lésions et à les suivre dans le temps. Actuellement, on fait beaucoup de PET-Scan pour suivre l’efficacité des traitements des patients qui sont par exemple traités par chimiothérapie ou par immunothérapie, et tout le travail est manuel : le médecin mesure les intensités de la lésion avant, puis sur l’image suivante trois mois plus tard et il calcule la différence. Nous souhaitons automatiser ces tâches.

Nous avons un autre projet important avec Euranova, une entreprise belge de data science qui s’intéresse au secteur de la santé, et dont la partie R&D est installée à Marseille. Il y a une partie industrielle avec un outil d’aide au médecin qui lui enlève une tâche fastidieuse, pour qu’il aille un peu plus vite et qu’il se consacre à des tâches plus intéressantes que la mesure de lésions. Il s’agit d’une solution avec un potentiel d’utilisation commerciale intéressant pour l’entreprise. Ce qui m’intéresse le plus c’est que je vois aussi dans cette technologie un gros potentiel pour améliorer le soin du patient. Parce qu’aujourd’hui, comme le médecin n’a pas assez de temps, il effectue ce travail de mesure des lésions très vite, et pas pour toutes les lésions. Disposer d’un outil qui nous accompagne va nous permettre d'être beaucoup plus précis, d’améliorer nos critères pour savoir si un patient répond ou non à un traitement.

On a donc les deux versants : l’aide au médecin pour gagner du temps et l’amélioration du soin au patient pour être beaucoup plus fin dans l’analyse, l'évaluation et le suivi de l’efficacité du traitement.

Ce genre de projets est assez lourd. Le processus de contractualisation avec les hôpitaux pour pouvoir accéder aux données est assez long et ensuite, il faut entraîner les algorithmes. Or, pour ce faire, il faut des médecins qui annotent les images, un travail extrêmement chronophage. Quand le patient a 50 lésions par exemple, il faut toutes les localiser puis les suivre dans le temps, etc. Il est compliqué de trouver des médecins qui vont accepter de prendre du temps pour réaliser cette tâche.

Nous avons réussi à obtenir des financements qui nous ont permis de recruter des médecins annotateurs. Nous avons aujourd’hui une base de données de 1 200 examens annotés. 

La prochaine étape est de développer des modèles mathématiques mais sans cette base de données de qualité, annotées, rien n’aurait été possible.

Zoom - © Geralt from Pixabay

IA générative : « Je me méfie beaucoup de ces  »techno-pushs«  »

On en est actuellement aux inscriptions de la 3^e promotion, qui commencera en janvier 2024. Il y a une vraie demande. Le DU s’est pérennisé. Il répond à un réel besoin des médecins. Il vient « ouvrir le capot de la voiture » en quelque sorte pour comprendre comment les choses fonctionnent. Et les médecins ont cette curiosité. Du moins ceux qui s’inscrivent au DU veulent comprendre comment fonctionne l’IA.

Nous avons à présent 20-25 étudiants inscrits. On espère augmenter ce nombre petit à petit mais pour l’instant le programme fonctionne bien avec ce nombre-là. Il s’agit d’une minorité de médecins mais on espère que ce sont eux qui seront les leaders de l’IA de demain et qui vont pouvoir conseiller les autres sur ce sujet.

L’idée à l’origine était d’enseigner les bases de l’intelligence artificielle. J’enrichis le programme progressivement au fil des rencontres que j’ai l’occasion de faire avec des experts du sujet qui travaillent sur des domaines très différents de l’IA.

Au départ, la formation (DU « Intelligence artificielle & santé ») était très axée sur les mathématiques, avec des aspects qui pouvaient être compliqués à appréhender pour les médecins. Nous n’avions pas vraiment réalisé cette difficulté à l’origine. Aujourd’hui, nous essayons de mieux accompagner les médecins sur cette partie mathématiques. Le programme se renforce donc en termes d’enseignants et cette année, nous allons proposer un DU qui sera davantage à la carte. Les professionnels de santé qui s’inscrivent à la formation peuvent être médecins cliniciens, dentistes, kinésithérapeutes… Il y a des bases communes mais aussi des questions spécifiques propres à chaque métier. Par exemple, on peut proposer à un médecin anatomopathologiste (anapath) un module complémentaire de 4-5 heures pour mieux saisir les spécificités de l’IA en anapath. Comme les attentes sont très hétérogènes, on essaie de répondre à ce besoin en proposant un tronc commun et en permettant aussi des choix optionnels selon les attentes de chacun.

On a aussi obtenu des financements nationaux avec un projet baptisé « EfelIA », qui se met en place cette année. L’idée est de faire évoluer le DU avec une partie en distanciel, un MOOCMOOCMassive Open Online Courses interactif, parce que pour l’instant, toute la formation est basée à Nice. Grâce aux financements obtenus, nous allons pouvoir lancer le DU en mode hybride présentiel-distanciel pour s’adresser au plus grand nombre.

Nous en sommes seulement à la troisième année mais le programme a déjà beaucoup évolué depuis sa création. Au départ, la formation était très axée sur les mathématiques, avec des aspects qui pouvaient être compliqués à appréhender pour les médecins. Nous n’avions pas vraiment réalisé cette difficulté à l’origine. Aujourd’hui, nous essayons de mieux accompagner les médecins sur cette partie mathématiques.

À chaque fin d’année, les étudiants nous remettent un compte rendu. On s’est enrichis grâce à ces retours et on a enrichi le DU en conséquence. Les étudiants sont globalement très contents de la formation mais ils ont aussi toujours des suggestions à soumettre. Et c’est intéressant pour nous. Cela nous permet de progresser pour mieux répondre aux attentes des professionnels.