Colloque

Apprentissage automatique et santé

Assya Trofimov

Membre a labase

Assya Trofimov : Université de Montréal

Résumé de la communication

Le domaine de la santé a de grandes quantités de données sous-utilisées de différents types (documents, signaux, images, séquences génétiques, etc.) provenant de nombreuses sources (hôpitaux, pharmacies, gouvernements, laboratoires de recherche, etc.). De plus en plus d’outils sont développés afin d’améliorer le diagnostic, le pronostic et le traitement des patients. Les progrès récents de l'apprentissage automatique ont montré que nous pouvons extraire des informations de ces ensembles de données pour obtenir de meilleures prédictions cliniques dans le but de développer de nouveaux outils d’aide à la décision pour les professionnels du domaine de la santé, par exemple: aide au diagnostic de maladies par imagerie médicale; soins de santé personnalisés; découverte de nouveaux médicaments; et une meilleure analyse des risques. Cependant, les ensembles de données médicales sont affectés par un faible nombre d'échantillons, un grand nombre de caractéristiques et des effets de lot. L'adaptation et le développement de ces techniques en tenant compte des caractéristiques des données médicales constituent un objectif de recherche ambitieux. Cet exposé discutera des récentes recherches et applications possibles de l’apprentissage automatique pour les données génomiques, l'imagerie médicale, les séries temporelles (réseaux récurrents), l'analyse des données cliniques et l’extraction de texte.

Résumé du colloque

Les développements récents en intelligence artificielle (IA) et particulièrement dans le domaine de l’apprentissage machine ont mené à des percées technologiques importantes (Le Cun, Bengio et Hinton). L’IA permet de créer des systèmes de traitement du langage naturel, de reconnaissance de la voix, de l’image ou de reconnaissance faciale. Elle permet aussi de créer de la musique, des textes littéraires ou d’autres contenus artistiques. Elle trouve des applications en transport, en droit, en finance ou en médecine.

Par exemple, le Naval Medical Center de San Diego et Google AI auraient récemment développé un système capable de détecter des cellules cancéreuses du sein avec une fiabilité de 99 %, un taux supérieur ou équivalent à celui des pathologistes humains dans bien des cas. Dans leur livre The Second Machine Age, Erik Brynjolfsson et Andrew McAfee montrent comment l’IA peut transformer le monde du commerce en permettant d’automatiser ou d’optimiser des procédés existants, mais aussi en créant des modèles d’affaires complètement nouveaux, comme pouvaient l’être Facebook ou Google à leur époque.

Bref, l’IA nous promet une hausse de la productivité, de meilleurs soins de santé ou l’accès à de nouveaux savoirs. Mais elle n’est pas sans soulever des enjeux importants. Premièrement, on en sait peu sur les incidences de l’IA et sur la transformation de la dynamique sociétale. Deuxièmement, ce qu’on sait soulève des inquiétudes : comment rendre des comptes de l’usage d’une technologie dont la complexité interne dépasse parfois la capacité de compréhension des êtres humains? Comment éviter la discrimination algorithmique, les violations de la vie privée ou l’opacité souvent associées à l’usage de ces technologies? Comment réduire l’accroissement des inégalités économiques et l’apparition d’une nouvelle fracture numérique? Finalement, comment s’assurer de la juste appropriation de ces technologies par tous les acteurs impliqués, incluant ceux de la société civile?