Communiqué de presse (allemand)

Communiqué de presse (anglais)

Figures et légendes du communiqué de presse (allemand et anglais)

Actuellement, le principal domaine d’application de l’intelligence artificielle est l’interprétation des données graphiques et analytiques dans l’aide au diagnostic et au pronostic. Mais la quantité limitée de données disponibles pour l’entraînement des algorithmes constitue un obstacle majeur à l’élargissement de son application. Souvent, les seules données à disposition sont insuffisantes et se trouvent dans des centres isolés, avec l’impossibilité de les transférer, ou bien les problèmes d’anonymisation empêchent de recourir efficacement à l’IA. 

Apprentissage fédéré (Federated Learning): une brèche pour l’IA en médecine
Cette nouvelle technologie utilise l’apprentissage fédéré. Dans ce contexte, l’entraînement des algorithmes d’IA s’effectue sur des appareils séparés et des plateformes différentes, en reliant, ou fédérant, différentes banques de données de sites décentralisés. Les chercheurs du SCAN (Support Center for Advanced Neuroimaging), regroupés autour du professeur Roland Wiest de l’Institut universitaire de neuroradiologie diagnostique et interventionnelle de l’Inselspital, Hôpital universitaire de Berne, et de Jonas Richiardi, CHUV, de Lausanne, s’attellent à développer une nouvelle méthode permettant de surmonter l’hétérogénéité des données et de garantir leur sécurité grâce à l’apprentissage fédéré. Pour simplifier grossièrement, une grande partie de la saisie et de l’analyse est décentralisée et seules les données prétraitées, anonymisées et normalisées sont exploitées de manière centralisée pour le processus d’apprentissage. Voici comment l’ingénieur informaticien et expert de l’IA Richard McKinley, de Berne, décrit cette méthode: «Jusqu’à présent, les approches reposaient sur un accès centralisé aux données. Nous proposons désormais que l’apprentissage soit affecté sur chaque site et qu’il utilise le traitement d’image obtenu en exploitant les réseaux antagonistes génératifs (Generative Adversarial Network, GAN). Les données brutes ne sont donc visualisées ni par le serveur, ni par les autres sites.» 

Projet pilote Advanced Stroke Analysis Platform (ASAP)
ASAP est le projet pilote dans l’environnement clinique réel, obtenu par coopération entre l’Inselspital, Hôpital universitaire de Berne, l’Université de Berne et le CHUV de Lausanne, en partenariat avec Siemens Healthineers Suisse pour la mise en œuvre. Il n’existait encore aucune application clinique établie de l’IA pour générer un pronostic chez les patientes et les patients atteints d’AVC. Les pronostics étaient établis en pratique sur la base de cartes de perfusion et de diffusion, avec des données relativement imprécises. Cette imprécision découle de la forte pression temporelle liée à l’AVC et de la propension aux erreurs des méthodes d’interprétation d’image automatisées. L’ambition du projet ASAP est donc d’établir des pronostics directement à l’aide de l’IA, dont les algorithmes seront entraînés sur des images d’IRM. Pour cela, des données suffisantes issues de la phase aigüe, mais aussi des résultats à moyen et long termes, doivent être disponibles. Le professeur Roland Wiest et Richard McKinley expliquent: «Nous proposons de générer des modèles d’apprentissage profond permettant de prévoir le résultat d’imagerie d’un patient après un accident vasculaire cérébral aigu, avec l’étendue finale de la lésion et le résultat clinique (score mRS), grâce à l’utilisation de l’apprentissage fédéré. Nos modèles exploiteront notamment tous les procédés d’imagerie disponibles et regrouperont des instants cliniques précis qui sont enregistrés selon la procédure de routine. Ils devraient grandement améliorer l’estimation du pronostic et le rétablissement suite à un accident vasculaire cérébral.» Le projet ASAP sera lancé au premier trimestre 2021. Les résultats sont attendus pour la fin de 2023. Le partenaire de mise en œuvre de ce projet est Siemens Healthineers Suisse, présent sur le pôle innovation IRM de l’EPFL de Lausanne. Le projet est soutenu financièrement par Innosuisse, l’agence qui promeut l’innovation en Suisse.