Les récentes avancées de l’intelligence artificielle nous rapprochent de son adoption clinique généralisée, qui permettra aux professionnels de la santé de gagner du temps et de sauver des vies.

Ces grands titres soulignent le rôle déterminant que l’intelligence artificielle peut désormais jouer dans le traitement du cancer du poumon :

« L’IA a passé un test de détection du cancer du poumon et obtenu un A. »

« Une étude révèle que l’IA détecte le cancer du poumon plus efficacement que des radiologues. »

Mais qu’est-ce que ça implique pour vous, en tant que patient ou professionnel de la santé, dans votre course quotidienne contre la montre? Le Dr Kam Kafi, directeur, Oncologie et Stratégie clinique chez Imagia, vous l’explique en détail alors que nous lançons en novembre la conversation qui durera tout au long du mois de la sensibilisation au cancer.

 

I) Qu’est-ce que l’IA?

L’intelligence artificielle, ou l’IA, est un terme du domaine de l’informatique qui désigne les recherches portant sur les algorithmes informatiques qui cherchent à reproduire la cognition humaine. L’apprentissage profond est une branche spécifique de l’IA fondée sur les algorithmes qui, par apprentissage automatique, apprennent à reconnaître les motifs dans les données.

D’énormes volumes de données tirées des systèmes médicaux sont d’abord versés dans les réseaux neuronaux afin de permettre aux ordinateurs de synthétiser cette quantité massive de renseignements. Les chercheurs entraînent ensuite les ordinateurs à repérer les motifs dans ces données, une tâche qui serait difficile, voire impossible, pour un humain. Le système fonctionne au moyen d’un algorithme, c’est-à-dire un ensemble d’instructions, et approfondit son apprentissage au fur et à mesure du processus. Plus il reçoit de données, plus ses capacités d’interprétation se renforcent.

 

II) Comment l’IA est-elle utilisée dans le traitement du cancer du poumon?

La reconnaissance des motifs et l’interprétation des images constituent les domaines d’application les plus prometteurs de l’IA, qui permettront le développement des capacités d’interprétation des lames de microscope, des rayons X, des IRM et d’autres types d’imagerie médicale.

Le nombre de programmes de dépistage du cancer du poumon assisté par l’IA s’est considérablement accru après l’obtention de résultats prometteurs lors de plusieurs études pivots, qui ont permis aux hôpitaux d’examiner et d’assurer le suivi de nombreux patients à risque… Cette somme de données disponibles a contribué à l’avancement de travaux de recherche sur l’intégration clinique de l’IA qui aident les radiologues dans leur processus de détection et de diagnostic du cancer du poumon.

La détection assistée par ordinateur désigne les méthodes de détection des nodules pulmonaires, ces taches sur les poumons qui peuvent s’avérer cancéreuses. Le diagnostic assisté par ordinateur ne vise pas à détecter les nodules, mais plutôt à déterminer s’ils sont bénins ou malins, réduisant ainsi le recours à la biopsie, une intervention invasive et risquée. Les systèmes de détection et de diagnostic assistés par ordinateur sont disponibles depuis plusieurs années, mais n’étaient généralement pas adoptés en clinique pour la détection et le dépistage du cancer du poumon, principalement en raison de lacunes sur le plan de l’exactitude et d’un manque d’études cliniques prouvant leur efficacité.

 

C’est maintenant chose du passé. La disponibilité de vastes ensembles de données diversifiées permet aux algorithmes d’apprentissage profond d’être de plus en plus performants à la fois dans la détection de nodules à partir d’imagerie médicale et la prédiction du risque de cancer.

Les résultats d’une recherche menée par l’Institut de recherche Terry Fox et de nombreux centres médicaux, récemment publiés dans la revue scientifique The Lancet, donnaient un aperçu révélateur de l’avenir du dépistage du cancer du poumon assisté par l’IA.

Un algorithme d’apprentissage profond entraîné et validé au moyen des données de plus 25 000 patients a été en mesure d’estimer avec exactitude le risque de cancer du poumon sur trois ans et le taux de mortalité connexe, permettant de déterminer le moment opportun des tests diagnostiques et d’établir l’intervalle optimal entre chaque tomographie assistée par ordinateur.

Afin de déterminer quand le prochain examen de tomographie sera nécessaire pour le patient, les lignes directrices actuelles sur le dépistage du cancer du poumon se fondent sur la taille ou la densité du plus gros nodule détecté dans le tomodensitogramme précédent ou sur l’apparition d’un nouveau nodule.

Cette méthode comporte cependant des lacunes : elle peut parfois laisser des tumeurs non détectées, confondre des taches bénignes avec des tumeurs malignes et contraindre les patients à subir des procédures invasives et risquées, comme une biopsie pulmonaire ou une chirurgie. Des radiologues examinant le même tomodensitogramme peuvent également en tirer chacun une interprétation différente.

L’algorithme d’apprentissage profond a, au contraire, été en mesure de reconnaître des motifs à la fois dans les modifications temporelles et spatiales, y compris la synergie dans les changements de divers nodules, en tenant compte des changements globaux dans les caractéristiques nodulaires et non nodulaires d’un même patient.

 

III) Quelle est la prochaine étape?

La capacité de traiter de très gros volumes de données permet à l’intelligence artificielle de repérer des motifs subtils que les humains seraient incapables de détecter. Cependant, l’IA est confrontée à une difficulté incontournable : les vastes ensembles de données suffisamment diversifiées pour entraîner les algorithmes et les utiliser à grande échelle sont très rares. La plupart des organisations de soins de santé ne disposent pas de l’infrastructure requise pour recueillir les données nécessaires à l’entraînement adéquat des algorithmes. Aux États-Unis, on retrouve quelques initiatives de regroupement de données sur les soins de santé, mais sans le développement général d’infrastructures, il demeure impossible d’appliquer ces innovations à plus grande échelle.

De plus, l’enjeu de la sécurité et de la confidentialité des données soulève des préoccupations légitimes et interdit le partage ou l’utilisation de données de soins de santé. Ces préoccupations sont importantes et nécessaires, mais freinent le développement de solutions d’IA à grande échelle.

Heureusement, les promoteurs de l’IA ne sont pas les seuls à souhaiter appliquer l’apprentissage profond aux données privées, et il existe trois techniques de pointe qui auront une incidence majeure sur l’avenir de l’apprentissage-machine dans le secteur des soins de santé :

Apprentissage regroupé : nous permet d’entraîner des modèles d’IA sur des ensembles de données répartis auxquels on ne peut accéder directement.

Confidentialité différentielle : nous permet d’offrir une garantie formelle et mathématique en ce qui a trait à la protection de la confidentialité au moment de la publication des résultats (obtenus directement ou au moyen de modèles d’IA).

Calcul encodé : permet l’apprentissage-machine à partir de données qui demeurent encodées.

Ces techniques qui assurent la confidentialité des données permettent d’entraîner les algorithmes d’IA avec des données issues de multiples établissements, hôpitaux et cliniques, et ce sans divulguer les renseignements personnels des patients. L’utilisation des données peut ainsi être dissociée des impératifs de gouvernance (ou de contrôle) des données. En d’autres mots, ces approches préviennent le transfert ou la centralisation des données, tout en permettant le développement de modèles d’IA dans un contexte de collaboration multi-institutionnelle.

 

Imagia met de l’avant ces outils collaboratifs qui permettent à nos établissements partenaires d’entraîner des modèles d’IA de manière sécuritaire, en protégeant la confidentialité des patients. Nous sommes convaincus qu’une coopération accrue entre les chercheurs, les hôpitaux et les cliniciens nous permettra de tirer pleinement parti des avantages de l’IA dans le traitement du cancer du poumon et d’autres domaines d’intervention.

Nous gagnerons du temps et nous sauverons encore plus de vies dans les années à venir.