Intelligence artificielle : le nouveau super-pourvoir des médecins-chercheurs

Le cancer est une maladie très répandue (3 millions de personnes en France souffrent ou ont souffert d'un cancer) et critique (c'est la première cause de décès avec 149 000 décès) mais qui donne lieu à des innovations considérables.

Malheureusement, les coûts des derniers traitements innovants (thérapies ciblées, immunothérapie…) contre le cancer explosent.

Sur les 16,1 milliards d'euros que représente le traitement annuel du cancer en France, soit 10 % des dépenses d'assurance maladie, 3,2 milliards sont dus au coût des traitements contre le cancer[2]. Pour lutter contre ce fléau, en 2016, près de 163 millions d'euros ont été alloués à la recherche contre le cancer[3] et les nouvelles technologies telles que l'Intelligence Artificielle et l'apprentissage en profondeur (le Deep Learning) sont désormais essentielles pour mieux comprendre la maladie, les voies thérapeutiques et diagnostiquer la maladie le plus tôt possible.

L'IA offre de l'espoir dans la lutte contre le cancer. Cette technologie a le potentiel de révolutionner les soins de santé, y compris le traitement du cancer, de trois façons : libérer les ressources des médecins et des infirmier(e)s pour qu'ils puissent passer plus de temps avec les patients ; économiser de l'argent aux hôpitaux qu'ils peuvent rediriger vers de meilleurs services ; et améliorer les résultats pour les patients. Les startups du monde entier ouvrent la voie et se mobilisent contre le cancer en proposant des solutions d’intelligence artificielles innovantes et capable de s’attaquer aux différents types de cancer.

Prenons le cas du cancer du sein. Une femme sur huit recevra un diagnostic de cancer du sein au cours de sa vie. La lutte contre cette forme de cancer la plus courante chez les femmes commence par la découverte de cette forme de cancer. La plupart des cas sont découverts grâce à un dépistage initial basé sur une mammographie, une radiographie du tissu mammaire. Cependant, cette méthode a un taux élevé de faux positifs. En moyenne, 50 pour cent des femmes sur une période de 10 ans qui ont une mammographie de routine reçoivent au moins une interprétation de mammographie qui s'avère fausse. Ces faux positifs signifient que les patients sont rappelés pour d'autres tests inutiles, y compris des biopsies invasives, ce qui peut entraîner une augmentation de l'anxiété, de l'inconfort physique et des complications médicales.

Therapixel, une startup française, fait des progrès dans la réduction du nombre de faux positifs en améliorant la précision des diagnostics initiaux à l'aide de l'Intelligence Artificielle. Pour détecter rapidement le développement du cancer du sein, de nombreux pays ont mis en place des programmes de dépistage qui reposent principalement sur la mammographie. Les radiologues examinent manuellement les images et vérifient les zones anormales. S'ils détectent quelque chose qui semble inhabituel, ils marquent l'image comme étant "positive" et renvoient le patient pour d'autres tests. En moyenne, 10 pour cent des patientes qui ont des mammographies seront marquées comme positives et rappelées pour une investigation supplémentaire, y compris une biopsie, une procédure invasive qui consiste à prélever un échantillon de cellules du sein. Parmi ceux qui subissent des biopsies, 95 % n'ont pas de cancer.

Therapixel a développé une série d'algorithmes AI, accélérés par les GPU NVIDIA, pour réduire le nombre de patients qui subissent des biopsies en l'absence de cancer. Sa solution passe en revue les images radiographiques initiales et fournit aux radiologues une première lecture qui indique la probabilité qu'une patiente développe un cancer du sein.

Au-delà du cancer du sein, chez les femmes, le cancer du poumon pourrait bientôt être plus mortel. Troisième cancer le plus fréquent en France, de nouvelles projections montrent que la mortalité par cancer du poumon chez les femmes se rapproche de plus en plus de la mortalité par cancer du sein[4]. Ce cancer a des taux de mortalité très élevés et le diagnostic est loin d'être systématique. Pour diagnostiquer la maladie, les médecins s'appuient sur la segmentation des lésions pulmonaires à l'aide d'une combinaison de TEP et de tomodensitométrie. Ceux-ci déterminent les propriétés fonctionnelles d'une lésion, ainsi que sa structure anatomique et ses caractéristiques.

L’entreprise polonaise Future Processing s'efforce de simplifier l'utilisation de ces outils, en rendant le processus de diagnostic plus abordable, plus accessible et plus précis. Dans le cadre d'une avancée potentielle dans la lutte contre le cancer du poumon, Future Processing travaille sur une solution qui éliminera le besoin de combiner la TEP et la tomodensitométrie. Au lieu de cela, les médecins seraient en mesure d'établir des diagnostics basés exclusivement sur des tomodensitogrammes. En utilisant des réseaux de neurones convolutifs (aussi appelés CNN - capable d’apprendre à trier des images par catégorie avec dans certains cas, de meilleurs résultats qu’après un triage manuel), l'équipe a montré que les diagnostics provenant uniquement des tomodensitogrammes peuvent être rendus efficaces et précis.

Le Dr Jakub Nalepa, chercheur scientifique principal à Future Processing, explique qu'auparavant, la segmentation des lésions actives nécessitait l'enregistrement conjoint de séquences de TEP et de tomodensitométrie dans le cadre d'une procédure longue et fastidieuse. En utilisant les CNNS avec des tomodensitogrammes exclusivement, Future Processing a démontré la segmentation d'une seule image en quelques minutes - et ceci peut être accéléré davantage. Cette accélération des vitesses de segmentation est alimentée par les accélérateurs GPU NVIDIA Tesla et pourrait faire une énorme différence pour les médecins et les patients. En segmentant automatiquement les lésions, les radiologues peuvent gagner un temps précieux et mesurer l'évolution des lésions. Ce serait également une aubaine pour les sites médicaux qui n'ont pas accès aux scanners TEP, car ils pourraient s'occuper directement de leurs patients, en utilisant uniquement un scanner CT. C'est plus rentable pour les sites médicaux, le coût d'une tomodensitométrie se situant aux Etats-Unis par exemple entre 1 200 $ et 3 200 $, alors qu'une TEP coûte de 3 000 $ à 6 000 $, en moyenne. Il fournit également une meilleure expérience pour le patient, avec un seul scan à préparer et à endurer.

De nouvelles applications et découvertes grâce à une technologie puissante mettent des outils sans précédent entre les mains des chercheurs et des médecins du monde entier. L'objectif n'est pas de remplacer les médecins, mais plutôt de leur fournir des outils pour évaluer les patients plus efficacement, plus rapidement et avec moins d'erreurs. La détection précoce du cancer et le pronostic du cancer est l'un des nombreux domaines importants des soins de santé où la technologie d'apprentissage en profondeur (Deep Learning) a été appliquée. Et ce n'est pas seulement le cancer auquel l'IA s'attaque, mais aussi la maladie d'Alzheimer et la maladie de Parkinson. Ces maladies dévastatrices font partie des centaines de maladies que les scientifiques luttent pour guérir avec de nouveaux médicaments face à l'envolée des coûts de découverte des médicaments et des temps d'essai.

L'utilisation de l'apprentissage profond en oncologie augmente les chances qu'un jour, les machines puissent aider les chercheurs à trouver un remède convoité et des méthodes de prévention contre le développement du cancer.