ACL

Connexion

Association des Centraliens de Lyon

   Retour au dossier
photobank
Vue 303 fois
09 janvier 2019

L’intelligence artificielle prédictive

L’IA aux côtés plutôt qu’en remplacement des médecins.


Chez InTech SA, société IT située au Luxembourg, le domaine de la santé est un nouveau terrain d’activités liant les compétences techniques de ses collaborateurs et la motivation pour contribuer à des projets d’amélioration du bien-être de la personne.

Depuis plusieurs années, les nouvelles technologies permettent une avancée dans différents milieux du domaine médical et de la santé en général. L’intelligence artificielle (IA) est l’une des technologies mise en avant sur le sujet. En effet, à travers plusieurs projets innovants, les IA ont su démontrer certains avantages dans leur utilisation. C’est dans ce contexte qu’au sein d’InTech, deux projets novateurs ont vu le jour cette année autour de l’intelligence artificielle prédictive. 

 

Algorithme de deep learning pour analyser un grain de beauté

Le premier projet vise à développer un algorithme de deep learning dont l’objectif est d’analyser un grain de beauté à partir d’une simple photo et d’en détecter ses caractéristiques. L’algorithme doit être ainsi capable de prédire si celui-ci présente des risques de cancer de la peau ou non, c’est-à-dire de discerner le caractère malin ou non du mélanome.

Pourquoi s’intéresser aux mélanomes de la peau ? Simplement parce que le mélanome peut apparaître chez chacun, à n’importe quel âge, et est trop souvent détecté trop tard (sur sept mille cas diagnostiqués par an en France, mille d’entre eux aboutissent à un décès).

Pour cela, plusieurs procédés de détection existent dont la méthode appelée « ABCDE » permettant d’analyser l’Asymétrie, les Bords, la Couleur, le Diamètre et l’Evolution du grain de beauté. InTech cherche ainsi à adapter cette méthode afin de la transformer en algorithme de deep learning, dans l’optique d’accompagner les professionnels de la santé dans leur prise de décision.

La complexité de ce type de projet de machine learning (famille d’IA dont le deep learning fait partie) est toujours de trouver une base de données suffisante pour créer un modèle. En effet, la conception d’un modèle prédictif de deep learning nécessite un jeu de données important (images ou photos) en entrée afin que le modèle puisse apprendre à partir d’informations différentes.

Dans le cas d’une détection de mélanomes malins, une base de données d’images de grains de beauté, aussi bien bénins que malins, doit être suffisamment fournie de façon à ce que le modèle soit capable de déterminer les critères de sélection suivant la méthode appliquée. Généralement, cette recherche de données permet de faire le lien entre l’ingénierie et la santé.

Tableau de matrice de confusion

Une matrice de confusion permet de mesurer la qualité d’un système de classification. Dans notre cas, la matrice permet de montrer la précision de l’algorithme de 97% dans la détection de grain de beauté.

Explication: sur 100 grains de beauté bénins, 97 ont bien été identifiés comme bénins et 3 ont été détectés comme malins ; sur 100 grains de beauté malins, 93 ont bien été identifiés comme malins et 7 ont été détectés comme bénins ; sur les 104 grains de beauté estimés par l’algorithme comme bénins, 7 sont en réalité de type malin. Sur les 96 grains de beauté estimés par l’algorithme comme malins, 3 sont en réalité de type bénin.

Dans le cas d’InTech, une base de données a été peuplée à partir d’images open source classifiées par des professionnels de santé. Ce dataset possède 13 680 images réparties en deux catégories (« Bénin » ou « Malin ») et a servi à entrainer le modèle et à le valider. A partir de ces données et après plusieurs itérations, un algorithme de deep learning peut être capable d’atteindre des performances élevées avec des taux de précision proches de 99%. L’algorithme qu’InTech a développé pour la détection de grain de beauté atteint lui-même un taux de 99% sur le jeu de données d’entrainement et de 97% sur le jeu de données de validation.

Le monde de l’open source permet également de bénéficier d’outils performants dans le domaine de l’intelligence artificielle. Par exemple, la bibliothèque Keras, développée en Python, permet de développer des algorithmes de machine learning basés sur des réseaux de neurones. C’est ainsi que ces outils, mis à disposition de tous, permettent la réalisation de projets innovants qui doivent être, dans notre contexte, validés par des professionnels de santé. C’est donc dans ce cadre que des sociétés comme InTech ont besoin de partenariats avec des organismes de santé pour apporter une réelle expertise médicale à leurs travaux.

 

Mesure de paramètres de santé par flux vidéo

InTech travaille en parallèle sur un second projet, inscrit dans une problématique du même type, permettant la mesure de paramètres de santé par flux vidéo. Cela vous paraît insensé ? Attendez de savoir comment cela fonctionne.

Aujourd’hui, la majorité des appareils connectés, comme les smartphones ou ordinateurs portables, sont équipés de matériel vidéo (webcam ou appareil photo), ce qui permet d’imaginer et de concevoir des solutions basées sur des flux vidéo. Dans notre cas, l’idée de pouvoir détecter des paramètres de santé à partir de ce type d’éléments a été une source d’inspiration. En effet, après plusieurs travaux de recherches et d’analyses sur les flux vidéo, il s’est avéré que de nombreux paramètres de santé peuvent être mesurés grâce à la décomposition de signaux comme le rythme cardiaque – ce vers quoi InTech a orienté ses travaux – ou encore la fréquence de respiration.

L’algorithme qu’InTech a développé repose sur des formules et des méthodes mathématiques telles que les décompositions de Fourier, les filtres et les études de convergences. Lors des premières recherches sur la manière dont il est possible d’évaluer le rythme cardiaque, InTech s’est penchée sur deux principales méthodes permettant l’obtention de ce type de données via un flux vidéo.

 

Courbe de convergence du signal pour une détection du rythme cardiaque par flux vidéo

La dernière étape de l’analyse du signal dans la détection du rythme cardiaque par flux vidéo consiste à réaliser une convergence du signal traité. Cette convergence permet d’obtenir une valeur précise et régulière du rythme cardiaque comme le montre la courbe.

La première méthode consiste à détecter un mouvement très faible de la tête lorsque le sang est envoyé dans le haut du corps lors d’un battement de cœur. La seconde méthode, quant à elle, consiste à déterminer les variations de couleur lors d’une pulsation cardiaque, et c’est sur cette méthode qu’InTech a choisi d’approfondir ses études.

Ainsi, en isolant les couleurs primaires (Rouge, Vert et Bleu), il est possible de détecter des variations de couleur lors du passage du sang dans les veines au niveau du front. Cela est dû au fait que la région du front possède une couche très fine de peau avec un réseau sanguin extrêmement chargé. Nous avons donc défini une zone d’intérêt où les analyses et méthodes mathématiques sont appliquées.

Après un temps d’acquisition de vidéo d’environ une dizaine de secondes et un temps de traitement inférieur à 5 secondes, l’algorithme développé est capable de définir le rythme cardiaque de la personne filmée. Cet algorithme représente une réelle avancée dans le monde de la santé puisqu’il permet de supprimer les capteurs corporels et laisserait envisager de nouveaux cas d’utilisations tels qu’un monitoring de personne à distance sans capteur intrusif, ou encore des applications mobiles de santé sans contact.

 

En guise de conclusion

Pour conclure, In Tech a su, à travers ces deux projets, mettre en avant l’intérêt d’un lien fort entre l’ingénierie et la santé, et a surtout démontré comment l’ingénierie peut apporter des nouveautés essentielles dans le domaine médical. C’est ainsi que les progrès et les innovations apportés aussi bien par les ingénieurs que par les professionnels de santé laissent entrevoir de nouvelles perspectives pour un futur prometteur.

Auteur

Articles du dossier


Ajoutez un message personnel