Rencontrez les boursiers : Ross Mitchell

Découvrez les recherches et les travaux de Ross Mitchell, boursier Amii et titulaire de la chaire canadienne CIFAR sur l'IA. Ross est professeur à la faculté de médecine et de dentisterie et professeur auxiliaire en informatique à l'université de l'Alberta. Il est également titulaire d'une chaire sur l'intelligence artificielle dans le domaine de la santé à l'Alberta Health Services, ainsi que directeur principal de programme pour l'adoption de l'intelligence artificielle.

Découvrez sa conversation avec Jubair Sheikh, scientifique spécialisé dans l'apprentissage automatique. Ils parleront des travaux de Ross sur l'imagerie médicale, de l'utilisation de grands modèles de langage pour mieux exploiter les données des patients, et de l'impact massif que l'IA aura sur notre système médical.

[Cette transcription a été modifiée pour des raisons de longueur et de clarté. Pour voir l'intégralité de la conversation, regardez la vidéo ci-dessus].

Jubair Sheikh :

Merci, Ross, de nous avoir rejoints aujourd'hui à Amii. Nous sommes très fiers de vous compter parmi nos boursiers, et je suis particulièrement honoré de vous interviewer ici.

Ross Mitchell :

Nous vous remercions.

Jubair Sheikh :

Qu'est-ce qui vous a amené à vous intéresser à l'IA ?

Ross Mitchell :

Cela a vraiment commencé au moment où j'ai entamé mon doctorat.

J'ai donc une formation en imagerie médicale, et plus précisément un doctorat en biophysique médicale. Je l'ai obtenu à l'université Western, au Canada, dans l'Ontario.

J'étais dans un laboratoire d'imagerie où nous étudiions, par exemple, comment utiliser les radiations pour traiter le cancer et comment programmer les scanners IRM pour extraire de nouvelles informations du corps.

Je me suis intéressée non pas tant à cela qu'à ce que nous faisons des images des informations une fois qu'elles sont collectées, comment en extraire des informations qui affecteront les soins ? Et cela m'a très vite conduit à l'apprentissage automatique.

Mon doctorat a donc porté sur l'extraction d'informations à partir d'images médicales afin d'améliorer les soins prodigués aux patients.

Jubair Sheikh :

Pouvez-vous me présenter votre programme de recherche actuel ?

Ross Mitchell :

Dans le cadre de mes fonctions à l'Université de l'Alberta et à l'AHS, nous nous intéressons de près à tous les types de science des données de l'IA qui peuvent améliorer les résultats ou réduire le coût des soins. C'est donc très large. Nous nous intéressons à des éléments tels que les dossiers médicaux électroniques, les textes médicaux, les images médicales et des combinaisons de tous ces éléments.

Nous les appliquons à des maladies telles que la maladie d'Alzheimer, le cancer, les maladies inflammatoires de l'intestin, etc.

Jubair Sheikh :

Parmi ces domaines, quel est celui qui vous intéresse le plus ?

Ross Mitchell :

Vous savez, il y a quelques années, j'aurais dit que je m'intéressais vraiment à l'imagerie médicale. J'aurais dit que je m'intéressais vraiment à l'imagerie médicale, puis j'ai commencé à m'intéresser aux textes médicaux et à l'utilisation de grands modèles de langage pour extraire des informations.

Mais aujourd'hui, le monde est multimodal. Les modèles qui nous intéressent sont formés à partir de tous les éléments, car les informations sont complexes et fortement corrélées, et il n'est pas possible de se contenter de regarder une image. On ne peut pas se contenter d'une image, d'un rapport radiologique ou de ce qui a été fait au patient et des médicaments qu'il a reçus. Il faut tenir compte de tout.

C'est donc vers cela que nous nous dirigeons à l'avenir. Nous avons des projets dans chacun d'entre eux, mais l'objectif est de développer, dans les prochaines années, des modèles de formation polyvalente dans tous les domaines.

Jubair Sheikh :

Avec ChatGPT, nous constatons que de nombreuses applications se profilent à l'horizon. Comment voyez-vous l'application des grands modèles de langage à la recherche médicale et à la médecine ?

Ross Mitchell :

Bien sûr, c'est énorme. Cela va vraiment avoir un effet.

Je vais donc vous donner un exemple pratique. Je travaille avec les médecins urgentistes des services de santé de l'Alberta pour automatiser le processus d'examen des dossiers.

En médecine, un examen de dossier a lieu lorsqu'un médecin ou un chercheur souhaite extraire des informations du dossier médical d'un grand nombre de patients. Il s'agit d'un processus très manuel, où l'on engage un expert, comme une infirmière ou un chercheur, qui lit tous ces dossiers et note les informations, par exemple, dans une feuille de calcul Excel. " Est-ce que cela est mentionné dans le dossier, oui ou non ? "

L'examen d'un grand nombre de dossiers peut prendre des mois, voire une année. Ces personnes s'intéressent donc à l'utilisation d'un type particulier d'examen d'imagerie pour diagnostiquer ce que l'on appelle une embolie pulmonaire, c'est-à-dire un caillot dans les poumons.

Elle peut être très grave. Elle doit être détectée et traitée immédiatement. C'est comme une crise cardiaque, mais pour les poumons, c'est très grave. L'examen par tomodensitométrie des poumons est très efficace, mais il est coûteux. Il vaut la peine de l'optimiser.

Voilà donc l'objet du projet. Il ne s'agit pas de prédire qui en a un ou pas. Il s'agit d'une rétrospective. Demandons-nous assez, trop peu, trop, ou juste le bon nombre de tests ? Il s'agit donc de qualité.

Ils ont 10 000 de ces rapports. Ils nous ont donc demandé si nous pouvions utiliser des techniques d'intelligence artificielle pour extraire les informations et si les radiologues avaient simplement répondu "oui", "non" ou "indéterminé" dans le rapport.

Nous avons donc procédé à la formation, construit le système et l'avons comparé à ce que les médecins avaient étiqueté. Au final, nous avons constaté que le système était précis à 98,99 % pour prédire ce que le radiologue avait étiqueté. Il est au moins aussi précis que les étudiants en médecine qui ont fourni la vérité de terrain. Mais au lieu de prendre des mois pour lire 10 000 rapports, il a fallu 18 minutes.

Et en plus d'obtenir une très grande précision, j'ai demandé au modèle de justifier ou d'expliquer son raisonnement. J'ai également demandé au modèle de justifier ou d'expliquer son raisonnement. Il fournit donc un paragraphe expliquant pourquoi il est parvenu à cette conclusion. Il s'agit là d'une forme d'IA explicable et il est extrêmement important, dans le domaine des soins de santé, d'expliquer comment vous prenez vos décisions.

Il est également très utile pour le processus d'ingénierie d'invite de voir ce que le modèle pensait, si vous voulez, lorsqu'il a trouvé sa réponse.

La réaction de mes collègues cliniciens a donc été de dire que cela allait radicalement changer l'examen des dossiers. À l'avenir, la réutilisation des dossiers sera d'abord effectuée par un système d'intelligence artificielle, puis des sous-cas spécifiques, des exceptions spéciales, seront examinés par des humains.

Nous sommes donc intéressés par la création d'un robot graphique - pas un chatbot mais un robot graphique - qui permettra aux médecins sans formation ou expérience particulière en matière d'IA, qui ne savent pas programmer en Python, d'utiliser un outil pour extraire eux-mêmes des informations à partir de graphiques.