L’intelligence artificielle va-t-elle rendre “has been” les radiologues ?
Adoptée dans le milieu médical, l’intelligence artificielle va-t-elle remiser au placard les radiologues, dermatologues et autres bobologues ? On vous livre notre diagnostic sur la question.
L’intelligence artificielle s’immisce dans une ribambelle de domaines professionnels : des bots de conversation au processus de fabrication industrielle. Certaines Cassandres se sont même amusées à prédire à partir de quelle année l’intelligence artificielle dépassera les capacités humaines : 50% de chances pour que cela se passe dans 45 ans conclut l’étude. Pourtant c’est aujourd’hui que l’intelligence artificielle s’invite chez le radiologue… et il semblerait que le deep learning dépasse déjà les talents de l’homme de science.
Avec l’arrivée de machines à l’hôpital, les algorithmes embarqués dans les ordinateurs se sont rendus indispensable au diagnostic médical car plus performants et rapides que l’oeil humain. Cependant ces machines vont bientôt paraître has been à côté de technologies reposant sur la puissance des réseaux neuronaux et du deep learning. Selon le magazine Wired, “les hôpitaux peuvent désormais remplacer les ordinateurs de leurs machines à rayon X en investissant dans un processeur graphique à 1000 dollars et accélérer leur capacité de traitement à 260 millions d’images par jour […] soit l’équivalent de toute l’imagerie issue des IRMs, des scanners et d’autres images que les radiologues des États-Unis regardent chaque jour”. Libérer ce pouvoir de l’intelligence artificielle dans les salles d’hôpital pourra améliorer sans aucun doute la précision des diagnostics et la prise en charge des maladies. Mais ce ne sera pas sans conséquences pour celles et ceux qui sont aujourd’hui les spécialistes du déchiffrage de ces images et qui partagent un diagnostic : les radiologues, les pathologistes ou encore les dermatologues vont-ils se retrouver au chômage ? Explications.
La Silicon Valley s’invite en salle de radiologie
Au fait comment une intelligence artificielle apprend-t-elle à détecter un cancer du sein par exemple ? Eh bien c’est très simple, on lui donne accès à une base de données de radiographies et l’algorithme est entraîné à repérer les différents types de pathologies possibles. Une fois la radio effectuée, l’algorithme compare avec les images qu’il connaît, statue et donne un diagnostic. Le travail d’interprétation n’est plus laissé au radiologue. C’est peu dire qu’avec une capacité de traiter un volume d’images de 30 millions mammographies, le deep learning rend la détection très fiable et précise. Aujourd’hui donc, conscients du potentiel technologique mais aussi de la manne financière que cela peut représenter, les géants de la tech tels que Google, Microsoft et IBM, mais aussi une centaine de start-ups spécialistes de l’intelligence artificielle souhaitent faire entrer le deep learning dans le monde hospitalier ou dans les cliniques. Interrogé dans The New Yorker, sur les conséquences, que cette arrivée du deep learning aura sur les effectifs professionnels, Geoffrey Hinton, chercheur à l’université de Toronto et considéré père du deep learning, ne mâche pas ses mots : “Dans cinq ans, c’est évident, les radiologues seront dépassés par le deep learning […] J’ai dit ça dans un hôpital, ça ne s’est pas très bien passé”.
Mais que fait le médecin ?
Même si le constat de Hinton est sévère, ce dernier évoque une évolution nécessaire de la profession : alors que l’intelligence artificielle détectera les pathologies de manière efficace, les radiologues et autres médecins, spécialistes du diagnostic, pourront se concentrer sur un travail plus qualitatif et cognitif. À l’heure actuelle, les intelligences artificielles les plus évoluées en la matière (Deepmind de Google et Watson Health d’IBM) sont aussi entraînées à prendre en compte le langage naturel. L’objectif ? Pouvoir catégoriser et analyser les dossiers des patients mais aussi pouvoir reconnaître les termes utilisés dans les encyclopédies de médecine. Ce qui, couplé avec l’imagerie des radios, offre une complémentarité à l’intelligence artificielle qui aura une connaissance plus globale de la pathologie chez un patient. Concrètement, cela veut aussi dire que la bureaucratie des hôpitaux risque aussi d’être profondément bouleversée : Une aubaine pour les médecins qui se plaignent de perdre du temps avec trop de travail administratif dans les hôpitaux.
Les défis à venir
Pour autant, il semblerait que cette nouvelle donne technologique laisse dans le flou le principal intéressé : le patient. Si ce dernier peut se réjouir d’être mieux diagnostiqué et donc potentiellement mieux pris en charge, sait-il où les données le concernant iront ? Rien n’est moins sûr. Fin 2016, des journalistes ont découvert que la sécurité sociale Britannique (NHS) avait partagé 1,6 millions de dossiers médicaux pour entraîner Deepmind, l’intelligence artificielle de Google, et ce dans le dos des patients. À mesure que ces données médicales indexeront différentes sources (imagerie médicale, diagnostic, historique des maladies du patient, notes des médecins, etc.), quelles sont les garanties de respect de la vie privée apportées à celles et ceux qui doivent être soignés ? La question reste entière et devra être tranchée sans attendre dans l’intérêt du patient.
Enfin, si l’intelligence artificielle se fera sans doute une place de choix dans les hôpitaux et cliniques pour simplifier les diagnostics, il reste à résoudre une inconnue : est-ce que les médecins utiliseront ces technologies ? C’est là sans doute un des défis majeurs des prochaines années : travailler à l’acculturation des différents spécialistes afin qu’ils incorporent l’intelligence artificielle dans leurs processus de travail. Alors qu’en janvier dernier, l’organisme américain de santé publique (Food and Drug Administration) a donné son blanc seing pour l’exploitation commerciale des premières machines deep learning, à destination des cardiologues, il faut permettre à ces médecins de se familiariser au plus vite avec ces technologies — sans quoi ils se feront dépasser.
Originally published at Yellow Vision.