Conférence donnée le 30 Mars à La Paillasse (Paris, France) sur l'intelligence artificielle en médecine.

1. Intelligence ar,ficielle
&
Médecine
Jean-Emmanuel Bibault MD,PhDc
jean-emmanuel.bibault@aphp.fr
twiCer.com/jebibault

2. • Défini,ons
• Historique
• U,lisa,ons
• Applica,ons en médecine & cancérologie
• Vers le médecin ar,ficiel

3. Défini,ons
• Machine Learning
Méthodes permeCant à une machine d'évoluer par un
processus systéma,que, sans interven,on humaine
• Plusieurs méthodes (liste non exhaus,ve)
– kNN,
– SVMs,
– Random forest,
– Neural network,
• Deep Learning

4. Défini,ons
• Supervisé
– À par,r de données labellisées
• Non supervisé
– À par,r de données non labellisées
• Renforcé

5. Historique
• 1940 : Premier concept de réseaux neuronaux
• Cycles de promesses et de décep,ons
Image source : Andrew Beam

6. Récemment
• Puissance informa,que disponible (GPU)
• Quan,té massive de données :
– 2013 : 4.4 ZeCabytes
– 2020 : 44 ZeCabytes

8. Deep Learning
• 2006 : appari,on du terme
• 2012 : première percée
– Large Scale Visual Recogni,on Challenge (Imagenet database)
– AlexNet fait passer le taux d’erreur de 28 à 16%
• 2014 : GoogLeNet
• 2015 : Incep,on
• 2016 : ResNet (56 couches)

9. Source image : hCps://www.amax.com/blog/?p=804

10. Frameworks
• Sci-Kit Learn
• Theanos
• Caffe
• Keras
• TensorFlow

11. Deep Learning
• U,lisé pour :
– Reconnaissance visuelle
– Reconnaissance vocale
– Traduc,on (NLP)
– Classifica,on
– Prédic,on
– Jeux vidéo
– Créa,on ar,s,que

12. Deep Learning Hype

13. Deep Learning & médecine
• Augmenta,on du volume & digitalisa,on des données
médicales
• Dépassement des capacités cogni,ves humaines (max 5
facteurs)
• Possibilités de :
– Diagnos,c (classifica,on)
à Fiabilité, rapidité
– Prédic,on (classifica,on, séries temporelles)
à Personnalisa,on des traitements

14. Difficultés
• Data en médecine :
– Faible nombre de pa,ents
– Parfois, faible granularité, peu structurée
– Ou au contraire grand nombre de variables
à Risque d’overfirng
• Effet « boîte noire » :
– Créa,on d’un modèle incompréhensible pour un
esprit humain

15. 129450 lésions – Incep,on v3 versus 21 dermatologues
Esteva et al, Nature, 2016

16. Esteva et al, Nature, 2016

17. Esteva et al, Nature, 2016

18. • T
• 128 174 images de ré,nes
• 54 ophtalmologues
• 1 CNN
• Validé sur deux datasets :
– EyePACS-1 (9963 images)
– Messidor-2 (1748 images)
Gulshan et al, JAMA, 2016

19. Gulshan et al, JAMA, 2016

20. • 76214 pa,ents
• Prédic,on de 78 maladies
MioCo et al, Scien,fic Reports, 2016

21. MioCo et al, Scien,fic Reports, 2016

22. Deep Learning & cancérologie
• Diagnos,c plus précoce, plus certain
• Définir les pa,ents qui répondront bien
• Adapter les traitements :
– Faire un traitement plus ou moins agressif
• Exploiter les entrepôts de données des hôpitaux :
– HEGP : 170 000 pa,ents
– APHP : 6,5 millions de pa,ents

23. Perspec,ves
• Quelles spécialités sont menacées ?
– A 5/10 ans ? Le diagnos,c
• Radiologues
• Anatomopathologistes
– A plus long terme ?
• Tous les médecins ?

24. Vers une IA « forte »
• Nécessité une IA capable d’accomplir
plusieurs tâches différentes
• Problème : « catastrophic forgerng »

26. Le médecin ar,ficiel
• Redéfini,on du rôle du médecin
• Moins de technique
• Plus d’humain, d’empathie
• Jusqu’à quand ?
– Robots humanoïdes
– Imita,on des émo,ons humaines

27. Simuler (ou avoir ?) des émo,ons

28. The New York Times – Exploring our Links to Robot – Mars 2017

29. Un médecin plus humain qu’un humain

30. Quelques ressources & exemples
pour débuter
• TensorFlow : h"ps://www.tensorflow.org/
• Essayer un réseau neuronal en ligne
• TensorFlow Developper Summit 2017 :
– Skin Cancer Image Classifica,on
– Re,nal Imaging
• Tutoriels Siraj Raval (YouTube)