{{{sourceTextContent.title}}}

Comprendre l'apprentissage machine et l'apprentissage approfondi en médecine

{{{sourceTextContent.subTitle}}}

Algorithmes, ensembles de données, apprentissage machine, apprentissage profond, informatique cognitive, grandes données et intelligence artificielle : Des expressions informatiques qui ont repris avec une force surprenante le langage des soins de santé du XXIe siècle. Si les professionnels de la santé veulent prendre une longueur d'avance, ils devraient se familiariser avec les bases de l'I.A. et avoir une idée des problèmes médicaux qu'ils veulent résoudre. Examinons donc de plus près l'apprentissage machine et l'apprentissage approfondi en médecine.

{{{sourceTextContent.description}}}

L'antichambre de l'intelligence artificielle

Le terme "intelligence artificielle" pourrait être trompeur, car en raison de la surutilisation de l'expression, son sens a commencé à se gonfler. Elle implique un logiciel avec cognition et sensibilité, une technologie beaucoup plus développée qu'elle ne l'est actuellement. Par exemple, Facebook a annoncé une I.A. pour détecter les pensées suicidaires postées sur sa plateforme, mais un examen plus approfondi a révélé que la "détection d'I.A." en question n'est guère plus qu'un filtre de comparaison de modèles qui signale les messages destinés aux gestionnaires de communautés humaines.

Au mieux, la technologie actuelle avec diverses méthodes algorithmiques est capable d'atteindre l'intelligence artificielle étroite (ANI) dans certains domaines, les domaines les plus avancés étant la vision par ordinateur et le traitement du langage naturel. En termes très simples, l'ANI possède d'incroyables capacités de reconnaissance de formes dans d'énormes ensembles de données, ce qui le rend parfait pour résoudre des problèmes de classification et de regroupement de textes, de voix ou d'images. Mais si les méthodes d'analyse de données plus complexes semblent passionnantes et attrayantes, vous pouvez parfois obtenir d'excellents résultats en utilisant des techniques moins avancées.

Par exemple, dans un petit hôpital hongrois, le temps d'attente avant le traitement des patients en oncologie est passé de 54 à 21 jours seulement en optimisant les processus de gestion des patients à l'aide de mécanismes simples comme l'enregistrement et le suivi des cas. La première étape de l'analyse des données consiste à enregistrer les données de manière appropriée, puis à effectuer les actions de suivi nécessaires. La deuxième étape consiste à utiliser diverses méthodes statistiques, comme l'exploration de données pour recueillir, analyser, décrire, visualiser et tirer des inférences à partir de données, par exemple des dossiers de santé électroniques ou de l'univers " OMICS ". L'accent est mis sur la découverte des relations et des propriétés mathématiques au sein de grands ensembles de données et sur la quantification de l'incertitude. L'exploration de données signifie habituellement quand les idées et les modèles sont extraits de bases de données à grande échelle.

Cependant, il ne s'agit là que de l'avant-scène de l'intelligence artificielle : l'apprentissage machine et l'apprentissage profond vont bien au-delà de cela.

Les reconnaisseurs de formes dominent le monde : l'apprentissage machine supervisé et la rougeole

L'apprentissage machine est le domaine de l'informatique qui permet aux ordinateurs d'apprendre sans être explicitement programmés en s'appuyant sur les statistiques informatiques et le data mining. Comme pour les statistiques traditionnelles, l'apprentissage machine nécessite un nombre suffisant d'ensembles de données de formation (également connu sous le nom de taille d'échantillon dans les statistiques traditionnelles) et les bons algorithmes pour optimiser ses performances sur l'ensemble de données de formation avant le test. Cependant, contrairement aux méthodes traditionnelles, l'apprentissage machine est axé sur la construction de systèmes décisionnels automatisés.

Le domaine est de différents types : il peut être supervisé, non supervisé, semi-supervisé, semi-supervisé ou renforcement de l'apprentissage, entre autres. La première est généralement utilisée pour les problèmes de classification, par exemple pour apparier des images avec des étiquettes. Vous disposez de données d'entrée et de sortie - l'image ainsi que l'étiquette - et l'algorithme apprend les règles générales de catégorisation. C'est le type d'apprentissage automatique le plus populaire en médecine, et dans quelques années, il sera largement utilisé en imagerie médicale en radiologie, en pathologie et dans d'autres domaines à forte intensité d'images. Bien qu'elle ait certainement ses limites : elle nécessite de grands ensembles de données pour devenir suffisamment précises et les données doivent être étiquetées de façon appropriée. C'est pourquoi le travail des annotateurs de données est si crucial.

Néanmoins, l'apprentissage machine supervisé peut également être efficacement déployé pour prédire les événements de santé à partir de diverses données d'entrée, qui peuvent être classées de façon linéaire. Par exemple, à partir des statistiques sur les taux de vaccination contre la rougeole et les flambées épidémiques des Centers for Disease Control and Prevention, ainsi que des données non traditionnelles sur la santé, y compris les données sur les médias sociaux et la surveillance syndromique produites par un logiciel qui exploite une vaste gamme de dossiers médicaux, un algorithme peut fournir une carte fiable des futurs points chauds des épidémies de rougeole.

Apprentissage machine non supervisé et interactions médicamenteuses

Dans le cas de l'apprentissage automatique non supervisé, on demande au programme informatique de découvrir la structure et les modèles inhérents aux données. Contrairement à l'apprentissage machine supervisé, les ensembles de données sont non étiquetés et non structurés. Ainsi, l'algorithme doit composer ses propres groupes, grappes et catégories en se basant sur les "similarités" d'énormes ensembles de données. Il est habituellement utilisé pour prédire des résultats inconnus et pour déterminer comment découvrir des motifs cachés. L'apprentissage machine non supervisé comporte des sous-types : algorithmes de clustering et algorithmes d'apprentissage des règles d'association.

L'apprentissage non supervisé est souvent utilisé dans l'apprentissage profond et a été mis en œuvre dans des véhicules et des robots à conduite automatique, ainsi que dans des applications de reconnaissance vocale et de reconnaissance de formes. En médecine, par exemple, les échantillons de tissus peuvent être regroupés selon des valeurs d'expression génétique similaires en utilisant des techniques d'apprentissage non supervisées. À titre d'exemple d'algorithmes d'apprentissage des règles d'association, on peut citer l'essai d'interactions médicamenteuses nouvelles.

L'apprentissage du renforcement et la magie d'AlphaGo

La dernière catégorie, l'apprentissage de renforcement constitue probablement le type d'apprentissage machine le plus connu : lorsque le programme informatique apprend de ses erreurs et de ses succès et intègre ses expériences dans l'algorithme. L'exemple le plus célèbre en est AlphaGo, la machine développée par Google qui a battu de manière décisive le champion du monde de go Lee Sedol en mars 2016. Utilisant un système de récompenses et de pénalités, le modèle s'est d'abord formé sur des millions de postes de conseil dans la phase d'apprentissage supervisé, puis s'est joué de lui-même dans la phase d'apprentissage de renforcement pour finalement devenir assez bon pour triompher du meilleur joueur humain.

Cependant, le problème de l'application de l'apprentissage du renforcement aux soins de santé, en particulier pour optimiser le traitement, est que contrairement à AlphaGo, nous ne pouvons pas jouer un grand nombre de scénarios où l'agent intervient pour apprendre la politique optimale - car la vie des patients est en jeu. Heureusement, nous avons déjà des exemples où ce problème peut être atténué. Dans une étude publiée par des chercheurs du MIT, les auteurs ont fait état d'une formulation réussie de la posologie d'essai clinique comme problème d'apprentissage de renforcement, où l'algorithme enseignait les régiments de posologie appropriés pour réduire le diamètre moyen des tumeurs chez les patients en chimio- et radiothérapie.

Apprentissage approfondi de la médecine utilisé pour des questions très complexes

L'apprentissage profond est le sous-domaine de l'apprentissage machine où les ordinateurs apprennent à l'aide de réseaux neuronaux en couches. Cependant, il n'y a pas de frontière stricte entre la machine et l'apprentissage en profondeur, habituellement, la propreté des données et la complexité du problème déterminent celui qui est le plus applicable. Les algorithmes d'apprentissage en profondeur traitent habituellement des ensembles de données désordonnées, des piles d'informations non structurées pour essayer de donner des réponses à des questions difficiles.

Que sont les réseaux neuronaux ? Leur fonctionnement imite essentiellement les neurones du cerveau. Quartz a formulé l'explication comme suit : des algorithmes qui sont grossièrement construits pour modéliser la façon dont le cerveau traite l'information, à travers des réseaux d'équations mathématiques reliées. Les données fournies à un réseau neuronal sont divisées en plus petits morceaux et analysées des milliers à des millions de fois en fonction de la complexité du réseau. Un réseau neuronal profond est quand la sortie d'un réseau neuronal est alimentée dans l'entrée d'un autre réseau neuronal, les enchaînant ensemble comme des couches. Typiquement, les couches d'un réseau neuronal profond analysent les données à des niveaux de plus en plus élevés d'abstraction, ce qui signifie qu'elles rejettent chacune des données apprises comme étant inutiles jusqu'à ce que la représentation la plus simple et la plus précise des données soit laissée.

L'apprentissage profond a différents types d'apprentissage basés sur les façons de relier les couches et les façons d'agir des " neurones ". Il y a aussi l'apprentissage non supervisé, supervisé et le renforcement de l'apprentissage dans les algorithmes d'apprentissage profond, car ceux-ci signifient la façon dont l'algorithme est alimenté en données par les chercheurs. Au-delà, les réseaux neuronaux convolutionnels (CNN) sont typiques de la reconnaissance des images, de la vidéo et des données audio, en raison de leur capacité à travailler avec des données denses. Les réseaux neuronaux récurrents (RNN) sont utilisés pour le traitement du langage naturel, tandis que les réseaux de mémoire à long terme (LSTM) sont des variations des RNN destinés à conserver une information structurée basée sur des données. Par exemple, un RNN pourrait reconnaître tous les noms et adjectifs d'une phrase et déterminer s'ils sont utilisés correctement, et un LSTM pourrait se rappeler l'intrigue d'un livre.

Comme exemple d'apprentissage approfondi en médecine, les chercheurs ont proposé une approche pour déduire les politiques de traitement des patients atteints de septicémie en utilisant des modèles d'espace d'état continu et un apprentissage de renforcement profond. Dans une autre étude, des experts tentent de résoudre le difficile problème de l'estimation de la taille des polypes à l'aide d'images ou de vidéos de coloscopie, qui est crucial pour poser un diagnostic dans le dépistage du cancer du côlon. De plus, l'apprentissage approfondi non supervisé peut faciliter l'exploration de nouveaux facteurs dans les systèmes de notation ou ajouter des facteurs de risque cachés aux modèles existants. Il peut également être utilisé pour classer de nouveaux génotypes et phénotypes issus de l'hypertension pulmonaire, de la cardiomyopathie et de nombreux autres facteurs.

Naviguer dans la mer d'informations sur l'intelligence artificielle est difficile. Comme tout le monde s'est rendu compte que les technologies menant à l'I.A. pouvaient révolutionner les soins de santé, il y a beaucoup d'expériences, de recherches, mais aussi de fausses informations et d'hyperhypésie. Chez The Medical Futurist, notre but est de vous fournir le contexte, d'interpréter les résultats des études et de tenter de donner un sens à la révolution de la santé numérique. N'hésitez pas à nous contacter pour toute question, commentaire ou simplement pour une conversation. Nous aimerions avoir de vos nouvelles !