fbpx
 Petit Guide sur l’intelligence artificielle à l’usage des professionnels de santé

Petit Guide sur l’intelligence artificielle à l’usage des professionnels de santé

Un article de Guillaume BÉZIE pour ERON Santé

L’IA devrait modifier de manière significative les pratiques médicales et les prestations de santé dans un futur proche. Il y a un effet de mode ajouté à une augmentation massive des publications sur l’IA en médecine. Il est donc difficile pour les professionnels de santé de s’y retrouver.

Il est donc indispensable pour les professionnels de santé de comprendre les fondamentaux de cette technologie, au-delà de l’effet de mode, afin d’en appréhender les bénéfices et les limites.

Définition

L’IA est à l’intersection entre l’informatique, la psychologie, la linguistique et la philosophie. Nick Bostrom (philosophe université d’Oxford) distingue 3 niveaux de développement de l’IA :

– Artifical Narrow Intelligence (ANI) qui a de grandes capacités de gestion de données et peut onc résoudre des problèmes complexes sur des tâches précises et uniques (ex : jouer aux échecs)

– Artificial General Intelligence (AGI) qui pourra, un jour, raisonner argumenter mémoriser et résoudre des problèmes comme un humain peut le faire.

– Artificial SuperIntelligence (ASI) qui pourrait théoriquement avoir les capacités cognitives combinées de toute l’humanité, voire plus.

Comment fonctionne l’IA ?

L’IA utilise une méthode appelée machine learning qui permet à un ordinateur d’apprendre sans être programmé explicitement pour exercer la tâche à laquelle vous le destinez. Avec des outils type réseau de neurones et deep learning, l’algorithme peut créer ses propres règles qui ne seront pas lisibles par un humain. Or, quand on utilise des technologies en médecine pour prendre des décisions, nous souhaitons comprendre sur quelles bases ces décisions ont été prises. Avec des algorithmes basés sur l’IA, cela ne semble pas possible d’en appréhender plus que les bases théoriques.

3 exemples concrets de méthodes de machine learning

– Apprentissage supervisé : quand on peut définir précisément la tâche que l’on souhaite faire apprendre à l’algorithme, basée sur des jeux de données (data set) qui ont été agrégés préalablement. Par exemple, un jeu de données patients A chez qui nous connaissons les informations cliniques biologiques et le diagnostic et un jeu de données patients B pour lesquels nous ne connaissons pas le diagnostic. Le modèle peut apprendre à déduire le diagnostic des patients du groupe B en se basant sur les patients du groupe A. C’est de loin, la technique la plus employée en machine learning.

– Apprentissage non supervisé : c’est comme apprendre sans professeur. Le jeu de données patients comporte les informations cliniques et biologiques mais pas le diagnostic. Certaines règles sont données au modèle et ensuite il va faire des clusters de patients selon sa propre analyse, ce qui peut être intéressant pour trouver des nouvelles corrélations.

– Apprentissage renforcé : l’algorithme apprend seul, par essai et erreur avec un input régulier de l’expert mais moins fréquent que lors de l’apprentissage supervisé. Ainsi le programme peut construire sa propre expérience. Dans le domaine de la santé, par exemple, un modèle peut déduire la meilleure dose de chimiothérapie pour réduire la taille de la tumeur. La limite, c’est qu’on ne peut pas tester un trop grand nombre de scenarios car la vie des patients peut être en jeu.

Lire la suite du Petit Guide sur l’intelligence artificielle à l’usage des professionnels de santé :

https://www.linkedin.com/posts/guillaumebezie_petit-guide-sur-lintelligence-artificielle-activity-6773300598738558976-Kr3r

Please wait while flipbook is loading. For more related info, FAQs and issues please refer to DearFlip WordPress Flipbook Plugin Help documentation.