Historiquement, l’imagerie médicale s’est vue progresser grâce à différentes innovations majeures, associées aux nouvelles technologies. En 2015, Geoffrey Hinton, spécialiste de l’intelligence artificielle et des réseaux de neurones artificiels, prédisait que les progrès du deep learning allaient engendrer la disparition de la profession de radiologue. Qu’il s’agisse d’une prophétie ou d’une provocation, 7 ans plus tard, force est de constater que ce n’est pas le cas. À Geoffrey Hinton, Curtis Langlotz radiologue de Stanford, répond : « L’IA ne remplacera pas les radiologues, mais les radiologues qui utilisent l’IA remplaceront les radiologues qui ne l’utilisent pas ».
Cette remarque semble résumer la façon de penser de la profession. Au-delà de ça, elle démontre l’intérêt des applications de l’IA en santé. Puisque ni le médecin ni l’IA ne sont infaillibles, travailler ensemble pourrait être tout à fait adéquat. L’IA est capable de distinguer des éléments minuscules, pas forcément visibles à l’œil nu. Elle peut aussi accéder à des bases de données médicales en temps réel. Si son efficacité en situation réelle reste à prouver, sa rapidité et sa précision sont de véritables atouts.
Néanmoins, une grande partie des logiciels disposant de telles compétences n’ont pas suivi les protocoles de validation pour être certifiés comme dispositifs médicaux, tels que doivent l’être les médicaments. À savoir qu’une fois la certification de dispositif médical obtenue, toute modification exige une nouvelle certification. De ce fait, différentes startup proposent des outils « à l’usage des radiologues » et non des logiciels de diagnostics pour passer outre ces autorisations.
L’accès aux données d’imagerie
Le machine learning nécessite l’accès à une grande quantité de données. En effet, les techniques d’apprentissage nécessitent des milliers d’images de différents cas pour apprendre. On parle de reconnaissance de forme ou de pattern recognition : l’IA apprend à distinguer quelle pathologie est présente sur l’imagerie et quel diagnostic lui est associé. Cette technologie, combinée au réseau de neurones, est l’une des forces d’un logiciel d’intelligence artificielle appliqué à la reconnaissance de pathologies.
Néanmoins, s’il est convaincant en matière de radiologie de base, il convient de se questionner sur la performance d’un logiciel IA lorsqu’il est question d’imagerie de pathologies rares. En effet, rassembler de l’imagerie médicale représentant des pathologies rares parait compliqué voire impossible, d’autant plus que les données de santé bénéficient d’une protection particulière qui limite même la recherche dans le domaine médical.
Ces difficultés pourraient affecter l’apprentissage de l’IA et de ce fait ses capacités de diagnostic puisque le logiciel ne serait hypothétiquement pas familier avec elles et ne serait expert que des pathologies les plus fréquentes.
Questions éthiques
Le domaine de la e-santé soulève de nombreuses questions éthiques, parmi lesquelles figure le consentement des patients à voir leur imagerie médicale examinée par une IA. En effet, une étude menée par Harvard Business Review a démontré que les patients préfèrent le diagnostic d’un médecin humain à celui d’une IA même si on leur dit que ce dernier est plus précis. De plus, la génération de diagnostics par une IA engendre encore davantage de questions : quid du secret médical, du respect à la vie privée et des données de santé qui sont des données sensibles ?
La méfiance des patients est compréhensible puisqu’il s’agit d’innovations récentes et parfois incomprises. Néanmoins, intégrer certains outils d’intelligence artificielle à l’environnement de travail des professions médicales demeure pertinent, notamment pour optimiser la prise en charge des patients. C’est sur ce postulat que se base Milvue, une startup française qui propose une solution dédiée à la hiérarchisation et à l’aide au diagnostic pour les radiologies. Le logiciel effectue un tri parmi les radiographies et les classes selon trois catégories : normale, douteuse, pathologique.
La question de la responsabilité médicale se pose également. Une intelligence artificielle, même la plus évoluée qui soit, ne peut pas être tenue responsable en cas d’évaluation erronée, et son concepteur non plus. Il apparaît donc plus cohérent que le radiologue demeure responsable de ses diagnostics, même s’il est arrivé à ces derniers avec l’assistance d’une IA.
En savoir plus :
- « Grand Défi Santé | Stratégie nationale pour l’intelligence artificielle ». https://www.intelligence-artificielle.gouv.fr/fr/secteurs-prioritaires/diagnostic-medical/grand-defi-sante.
- « L’intelligence artificielle en radiologie : quels bénéfices ? | Inria ». https://www.inria.fr/fr/intelligence-artificielle-radiologie-benefices.
- Longoni, Chiara, et Carey K. Morewedge. « AI Can Outperform Doctors. So Why Don’t Patients Trust It? » Harvard Business Review, 30 octobre 2019. https://hbr.org/2019/10/ai-can-outperform-doctors-so-why-dont-patients-trust-it.