Lors de la conférence Upper Bound de cette année, des experts en IA, des ingénieurs et des entrepreneurs se sont réunis pour partager les dernières avancées et les opportunités qu'offre l'intelligence artificielle dans leurs domaines.

De nombreuses sessions ont exploré la manière dont l'apprentissage automatique transforme le fonctionnement des soins de santé, en offrant de nouveaux outils aux professionnels de la santé et de meilleurs résultats pour leurs patients.

L'IA générative dans les soins de santé

Dans sa session intitulée "Generative AI in Healthcare", Jeevanshi Sharma, ingénieur en IA/ML, a expliqué comment l'IA générative pourrait contribuer à résoudre l'un des problèmes les plus épineux de la médecine : la découverte de nouveaux médicaments efficaces. 

 Elle a expliqué que le développement de nouveaux médicaments peut être un processus long et coûteux. Les chercheurs pharmaceutiques s'appuient souvent sur une approche par essais et erreurs lorsqu'ils conçoivent de nouveaux composés, se heurtant à de nombreuses impasses d'options inefficaces ou dangereuses avant d'identifier des candidats prometteurs pour de nouveaux médicaments. L'IA générative pourrait contribuer à réduire les pertes de temps et d'argent en prédisant mieux comment ces composés pourraient agir dans le corps humain, ce qui permettrait aux chercheurs de concentrer leurs ressources sur les options les plus prometteuses.

"L'apprentissage automatique pourrait aider les scientifiques à explorer de vastes espaces chimiques en quelques heures, au lieu de plusieurs années", a-t-elle déclaré.

Cela permettrait non seulement d'améliorer la rentabilité de la recherche actuelle en matière de découverte de médicaments, mais aussi de mettre au point de nouveaux traitements pour des maladies plus complexes et plus rares, pour lesquelles la technologie actuelle ne permet pas de réaliser des économies.

Si l'IA générative offre un immense potentiel en matière de découverte de médicaments, M. Sharma a mis en garde contre les risques inhérents. Les modèles actuels peuvent parfois "halluciner" et produire de fausses prédictions. Bien que cela soit problématique dans de nombreux domaines, cela pourrait être dangereux dans le cadre médical.

Pour garantir une utilisation sûre de l'IA générative dans les soins de santé, Jeevanshi a proposé plusieurs solutions. Il s'agit notamment de systèmes d'IA explicables qui citent leurs sources et d'approches "human-in-the-loop" dans lesquelles des experts humains valident les modèles d'IA. Elle a mis l'accent sur quatre piliers essentiels pour une utilisation sûre de l'IA générative dans la découverte de médicaments : La transparence, la validation, les bonnes pratiques de gouvernance et la formation.

Les avancées de l'IA dans les soins de santé et l'avenir de l'IA dans le domaine de la santé

"Zaahir Moloo a déclaré lors de sa session "Cutting Edge AI Advances in Healthcare and the Future of AI in Health" que l'IA modifie la façon dont les médecins suivent les données médicales de leurs patients. 

Moloo, en plus d'être médecin de famille à Edmonton, est le cofondateur de Scribeberry, un outil alimenté par l'IA qui saisit automatiquement les informations lorsque les médecins interagissent avec leurs patients. 

Même à ses débuts, l'apprentissage automatique en médecine a déjà un impact significatif sur les problèmes critiques auxquels sont confrontés les professionnels de santé. L'un des principaux obstacles est le manque d'interopérabilité des données dans les soins de santé. Les cliniques et les praticiens utilisent des logiciels différents, ce qui rend difficile le transfert transparent des données entre les systèmes de dossiers médicaux électroniques (DME) et conduit souvent à des erreurs ou à des informations manquantes.

"Dans le secteur de la santé, nous sommes aujourd'hui un peu cloisonnés. Nous disposons de toutes sortes d'outils différents.

Les outils basés sur l'IA peuvent briser ces silos de données en facilitant le partage d'informations entre les systèmes de DME tout en préservant la vie privée des patients. Moloo a présenté Scribeberry, qui non seulement rationalise le transfert de données, mais automatise également des tâches telles que l'accueil des nouveaux patients et aide même les patients à demander des aides au handicap et des subventions pour les taxes médicales.

Il s'agit là d'étapes vers un objectif plus vaste. M. Moloo envisage une sorte de "système d'exploitation pour les soins de santé", qui fonctionnerait comme Internet, mais pour les professionnels de la santé. Un système basé sur l'IA qui permettrait de communiquer sans effort les informations relatives à un patient, réduisant ainsi les erreurs et permettant de concentrer les ressources sur d'autres domaines.

À la fin des sessions, M. Moloo a mis en lumière certaines des applications d'apprentissage automatique qu'il entrevoit pour l'avenir proche, notamment des outils d'IA permettant d'identifier les signes de rétinopathie diabétique lors d'examens oculaires, la chirurgie robotique et un meilleur suivi de la santé des patients dans le cadre de la médecine d'urgence pédiatrique.

Application de l'IA à la dentisterie

Dans sa session intitulée "Applications of AI in Dentistry", Hollis Lai, professeur et directeur principal de l'innovation et de l'amélioration de la qualité à l'école dentaire de l'Université de l'Alberta, a donné un aperçu des différences entre la dentisterie et d'autres pratiques médicales et des possibilités uniques qu'offriraient les approches d'apprentissage automatique dans ce domaine.

La collecte de données en dentisterie diffère sensiblement de celle des autres professions médicales. Elles sont souvent détenues par des cliniques dentaires individuelles, chacune ayant ses propres méthodes. Cela signifie que les données dentaires sont très détaillées au niveau individuel, mais difficiles à agréger. Les projets d'apprentissage automatique utilisant des données dentaires doivent tenir compte de ces conditions.

M. Lai a ensuite présenté deux projets spécifiques qui démontrent le potentiel de l'apprentissage automatique dans le domaine de la dentisterie.

La première consistait à utiliser des techniques d'apprentissage profond pour analyser et classer des images de la suture médiane des patients, qui est une articulation crânienne située au sommet de la bouche d'une personne. Cette articulation est très importante pour la croissance de la mâchoire supérieure et le développement du visage, et le fait de connaître l'état de cette articulation permet d'orienter les plans de traitement dentaire. Dans cette étude, un modèle d'apprentissage automatique a été formé pour déterminer automatiquement la maturité d'une suture médiane avec un haut degré de précision, fournissant des informations vitales qui pourraient conduire à des traitements plus efficaces pour le patient.

Un deuxième projet consistait à utiliser l'apprentissage automatique pour prédire l'anxiété dentaire d'un enfant. Les visites chez le dentiste peuvent être stressantes pour les patients de tous âges, et Lai a expliqué que les cabinets dentaires utilisent souvent des enquêtes pour déterminer le degré d'anxiété d'un patient. Si cette approche peut fonctionner avec les adultes, elle n'est pas un moyen efficace pour les enfants de communiquer leurs craintes.

Au lieu de cela, ce projet a demandé aux enfants de faire des dessins pendant qu'ils se trouvaient dans la salle d'attente du cabinet dentaire. Ces images ont ensuite été analysées par un modèle qui utilise des techniques d'apprentissage automatique, notamment des classificateurs d'expressions faciales et l'analyse de silhouettes humaines, afin de donner une idée de l'anxiété que peut ressentir un jeune patient à l'approche de son rendez-vous. Selon M. Lai, les récentes avancées en matière d'apprentissage automatique ont rendu ce type de travail possible, compte tenu des défis posés par les données dans le domaine de la dentisterie.

"Cela montre que nous pouvons prendre les données d'un très petit échantillon et en faire beaucoup.

(Crédit photo : Ampersand Grey)