Si l’intelligence artificielle n’a pas vocation à remplacer le médecin, elle occupe désormais une place de plus en plus importante dans le parcours de soin du patient. Ses applications sont déjà diverses et permettent notamment de faciliter et d’accélérer le processus d’élaboration du diagnostic ou encore de prédire la réponse d’un patient à un traitement. Pourquoi utiliser l’intelligence artificielle en particulier en cancérologie ? Comment l’intelligence artificielle peut-elle aider à mieux prendre en charge les patients atteints de cancer ? Comment permet-elle d’améliorer les traitements par radiothérapie ? Nous nous sommes entretenus avec le Pr. Jean-Emmanuel Bibault – Oncologue radiothérapeute à l’Hôpital Européen Georges Pompidou et Chercheur en Intelligence Artificielle – pour vous donner un éclairage sur le sujet.
Pourriez-vous nous présenter, en quelques mots, vos activités ainsi que votre parcours ?
Je suis oncologue radiothérapeute à l’Hôpital Européen Georges-Pompidou (HEGP – APHP). Je partage mes activités entre le soin à l’hôpital, la recherche que je mène au sein d’un laboratoire Inserm travaillant sur des thématiques liées à l’intelligence artificielle, et l’enseignement, étant donné que j’enseigne la cancérologie aux étudiants de médecine de l’Université de Paris Cité. Avant d’être professeur à l’HEGP, j’ai été chercheur en intelligence artificielle appliquée à la cancérologie à l’Université de Stanford, en Californie, aux États-Unis.
J’ai toujours eu une appétence pour l’informatique et j’ai commencé à m’intéresser à l’intelligence artificielle au cours de ma thèse de sciences que j’ai effectuée, en plus de ma thèse de médecine, entre 2015 et 2018. Au cours de cette thèse, nous avons réalisé un travail sur l’intégration des données issues du soin courant de l’HEGP dans un entrepôt de données puis nous avons créé à partir de ces données un modèle permettant de prédire la réponse aux traitements grâce au Deep Learning.
Qu’est-ce que l’intelligence artificielle ?
L’intelligence artificielle est un ensemble de techniques qui servent à émuler l’intelligence humaine par des machines.
Quelle est la différence entre le Machine Learning et le Deep Learning ?
On entend beaucoup parler de Deep Learning lorsque l’on parle d’intelligence artificielle, notamment parce que ce sont des techniques qui sont utilisées par Facebook, Google, Apple ou encore Amazon, pour faire de la reconnaissance d’images telles que votre visage sur les photos que vous mettez sur Facebook ou sur votre iPhone. En fait, le Deep Learning est une sous-partie du Machine Learning, qui constitue la grande famille de l’apprentissage statistique ou apprentissage machine.
Pour le Deep Learning, on utilise un très grand nombre de données pour lesquelles on connaît les caractéristiques ainsi que le résultat, tel qu’un diagnostic ou encore un taux de survie. Et on va « dire » à la machine : « J’ai 100 000 exemples d’images sur lesquelles il y a un cancer du poumon. Apprend à voir tout seul quelles sont les caractéristiques de l’image qui laissent à penser qu’il y a un cancer du poumon ». Avec notamment ce qu’on appelle des réseaux neuronaux convolutionnels, l’ordinateur va apprendre tout seul à identifier les caractéristiques, au niveau digital, qui sont sur l’image et qui sont liées au cancer du poumon.
Mais plus largement dans le Machine Learning, il y a plein d’autres techniques d’apprentissage machine qui ne reposent pas sur des réseaux neuronaux profonds (Deep pour profond et Learning pour apprentissage). Dans le Machine Learning, sont aussi utilisés des arbres décisionnels, des machines à vecteurs de support, des KNN (K-nearest neighbors ou algorithme des K plus proches voisins) etc. qui marchent un peu moins bien sur des images, mais qui peuvent aussi donner de très bons résultats, notamment sur des données en tableaux, pour lesquelles on sait que le Deep Learning n’est pas la meilleure technique.
Quel est l’apport de l’intelligence artificielle dans le domaine de la médecine, et en particulier dans le domaine de la cancérologie ?
Très probablement que, dans dix ans, on fera encore des choses qu’on ne peut même pas imaginer actuellement.
L’apport de l’IA en médecine concerne deux grandes catégories de tâches. D’abord, les tâches que les humains savent faire, telles que diagnostiquer un cancer du poumon sur un scanner thoracique ou un cancer du sein sur une mammographie ou encore interpréter des lames anatomopathologiques pour identifier un cancer sur une biopsie. On va dans ce cas apprendre à la machine à le faire, au moins aussi bien que l’humain, mais surtout plus vite ou de façon plus exhaustive. Ce sont principalement des tâches qu’on qualifie de perception, c’est-à-dire que l’on voit à l’œil.
Au-delà de ces tâches de perception qui sont déjà utilisées au quotidien dans certains services, il y a les tâches que les humains ne savent pas faire telles que les tâches de prédiction. Par exemple : prévoir à l’avance, à partir des caractéristiques d’un patient, s’il va bien répondre aux traitements, s’il va avoir des effets secondaires, s’il risque de décéder etc. Les médecins ne savent pas très bien faire cela. C’est ce que l’on appelle l’intuition humaine. Celle-ci n’est pas parfaite et est très difficilement quantifiable. Pour ce faire, on développe des algorithmes d’intelligence artificielle qui permettent, par exemple, de prédire, dix ans après le diagnostic, les chances de guérison d’un patient atteint d’un cancer de la prostate. Sachant que les cancers de la prostate sont généralement des cancers qui évoluent très lentement et que si ceux-ci sont très peu agressifs, il n’y a pas forcément d’intérêt à faire des traitements très lourds dont vous aurez beaucoup de séquelles. À l’opposé, si on est capable de savoir que votre cancer est plus agressif et que vous avez un fort risque d’en décéder, on peut alors adapter la stratégie thérapeutique en conséquence et proposer un traitement plus agressif permettant d’augmenter les chances de guérison. Cela est possible avec un certain type d’IA que l’on appelle l’IA interprétable.
Comment l’intelligence artificielle peut-elle aider au diagnostic des cancers ?
Je dis souvent que l’IA, c’est le stéthoscope du 21e siècle !
Outre le champ de l’imagerie médicale, qui se situe au tout début de la prise en charge des patients, il y a aussi le champ de l’anatomopathologie, qui est un peu moins connue. Il s’agit de l’étape du parcours de soin où après avoir fait une biopsie, c’est-à-dire après avoir pris un petit morceau de la tumeur, on va regarder sous microscope ses caractéristiques microscopiques, telles que la forme des cellules ou encore leur coloration avec différentes fixations. À cette étape, l’IA a aussi une place très importante à prendre. Il y a déjà beaucoup de start-ups, notamment aux États-Unis, qui développent des prestations de diagnostic automatisées des lames. De la même manière qu’il y a besoin de lire plusieurs centaines de couples de scanner du thorax pour dépister un cancer du poumon, pour l’anatomopathologie, on va faire des coupes de quelques microns de la tumeur et on va regarder toutes ces coupes sous microscope. Donc là aussi, si on peut le faire par de l’IA de façon plus fiable que l’humain, cela peut être très intéressant.
Un dernier message sur cette thématique, qui est vraiment majeure, c’est que l’IA n’a pas vocation à remplacer l’humain. C’est une aide supplémentaire. C’est un outil pour le médecin, au même titre que le stéthoscope. Moi, je dis souvent que l’IA, c’est le stéthoscope du 21e siècle.
Cela concerne-t-il tous les types de cancer ?
Oui, l’IA peut être utilisée pour tout type de cancer et même, au-delà du cancer, dans toute la médecine, sur les tâches de perception du diagnostic, quelle que soit la maladie, et sur les tâches de prédiction, pour personnaliser les traitements. L’IA peut être utilisée en cancérologie, pour le cancer du sein, du poumon, de la prostate, ou encore pour tout un ensemble de tumeurs dont certaines tumeurs cérébrales. Il n’y a pas de limites physiques à ce qu’on peut faire. Et, en médecine, de façon plus globale, l’IA peut être utilisée en pneumologie, en diabétologie etc. Il n’y a pas de limite au champ de l’imagination des chercheurs et des médecins qui voudraient créer ce type d’outil.
L’intelligence artificielle contribue-t-elle à améliorer les traitements par radiothérapie des patients atteints d’un cancer ? Si oui, comment ?
En oncologie radiothérapie, l’IA a déjà changé la discipline.
L’IA peut être utilisée dans tous les types de radiothérapie : radiothérapie conformationnelle avec modulation d’intensité (RCMI), radiothérapie stéréotaxique, curiethérapie etc. Nous avons effectué des travaux en laboratoire par exemple sur la prédiction de la réponse au traitement par CyberKnife des cancers du poumon. Ainsi, au même titre que l’IA peut être utilisée dans toutes les disciplines de médecine, on peut utiliser l’IA pour toutes les techniques de radiothérapie, qu’elle soit externe ou interne.
Toute la partie technique des traitements de radiothérapie, qu’on réalisait au niveau médical auparavant, peut être compressée, grâce à l’IA, et va laisser du temps pour d’autres choses et principalement, pour de l’humain : du temps pour la consultation et ce que l’on appelle en anglais du « care », c’est-à-dire tout ce qu’il y a autour du traitement. Le métier d’oncologue radiothérapeute va ainsi très fortement changer dans les années à venir.
Voyez-vous une résistance à l’adoption de l’IA dans les différents départements concernés au sein des hôpitaux ?
On s’attendait à ce qu’il y ait, en tous les cas au début, une certaine résistance du corps médical. Et ce qu’on voit en réalité, c’est que les professionnels de santé sont très « excités » à l’idée de participer à ce genre de projet et à l’idée d’utiliser ce genre d’outil. Il n’y a pas de résistance. Il y a peut-être, au contraire, trop d’engouement. Cela amène à être vigilant sur les outils que l’on utilise, sur l’interprétation humaine que l’on a des résultats donnés par ces outils qui est majeure. Il y a des études qui montrent que l’on a beaucoup de biais humains qui influencent la façon dont on se sert de ces outils. Il faut donc être vigilant à ne pas aller trop vite, notamment sur la validation très rigoureuse de ces outils. Au même titre que l’on évalue et que l’on valide les médicaments de façon très rigoureuse pour être certain qu’un médicament ne représente pas un risque ou un danger pour un patient, il faut absolument évaluer les outils d’IA de façon aussi rigoureuse pour être certain que ceux-ci, qui peuvent parfois entraîner des conséquences très importantes, donnent de très bons résultats. Bien sûr, il ne faut pas non plus freiner le développement de l’IA. Il faut avoir une balance équilibrée entre la sécurité et l’innovation.
Travaillez-vous sur un projet « IA » en particulier en ce moment ?
Nous travaillons actuellement au laboratoire sur un projet sur le dépistage du cancer du poumon en collaboration avec les États-Unis. Une des problématiques du dépistage du cancer du poumon réside dans le fait que, si on se met à dépister tout le monde, on va réaliser beaucoup de scanners pour trouver très peu de patients qui ont un cancer du poumon et on va en conséquence améliorer le taux de guérison de façon très peu significative. C’est ce qui est montré dans beaucoup d’études. Aussi, l’idée du projet, que nous menons actuellement, consiste à utiliser des caractéristiques cliniques très basiques pour opérer une pré-sélection des patients pour lesquels on va faire un scanner de dépistage. Nous disposons pour ce faire de deux cohortes américaines réalisées dans le cadre d’essais prospectifs de dépistage du cancer du poumon : l’essai PLCO (Prostate, Lung, Colorectal, and Ovarian Cancer Screening Trial) et l’essai NLST (National Lung Screening Trial) qui sont deux très gros essais américains multicentriques qui incluent près de 80 000 patients pour le PLCO et près de 50 000 patients pour le NLST. Nous sommes en train de développer un algorithme qui apprend des données du PLCO et ensuite, nous souhaitons vérifier que cet algorithme fonctionne bien sur les données du NLST. C’est ce qu’on appelle une validation externe. Pour le moment, les résultats obtenus sont très intéressants. Nous avons encore besoin de réaliser la validation externe. Mais globalement, l’idée consiste à développer une interface en ligne sur laquelle vous pourrez aller rentrer vos caractéristiques : Combien de cigarettes fumez-vous ? Depuis combien de temps fumez-vous ? Quand avez-vous arrêté de fumer ? Avez-vous d’autres pathologies liées au tabagisme ? Et en renseignant ces caractéristiques, l’IA va vous indiquer votre risque de développer un cancer du poumon dans l’année et vous encouragera si besoin à vous faire dépister. De plus, l’IA vous indiquera les caractéristiques qui expliquent sa conclusion. Cela aidera à comprendre pourquoi tel résultat a été obtenu. Voici le genre de travaux sur de l’IA interprétable que nous effectuons actuellement au laboratoire.
Pour en savoir plus : Jean-Emmanuel Bibault – Oncologue radiothérapeute à l’Hôpital Européen Georges Pompidou et Chercheur en Intelligence Artificielle.
Cet article vous a intéressé ? Nous vous invitons à lire également l’article « Qu’est-ce que la radiothérapie innovante de précision ? » : https://mesmomentsprecieux.fr/traitements/quest-ce-que-la-radiotherapie-innovante-de-precision/
