Apprentissage profond Distribué pour la classification de données Multimodales, Incertaines et Rares en ophtalmologiE – ADMIRE

L’intelligence artificielle en santé, et en ophtalmologie en particulier, a connu d’importants succès au cours des quatre dernières années. Les travaux menés conjointement par l’Unité Mixte de Recherche LaTIM (UMR 1101 Inserm) et la société Evolucare Technologies, dans le cadre du projet RetinOpTIC financé par le Fonds Unique Interministériel en 2015, ont notamment abouti en 2018 à un logiciel de dépistage d’une pathologie oculaire majeure, la rétinopathie diabétique, à partir de photographies du fond d’œil. Cet algorithme, dont les performances atteignent celles d’un expert de la rétine, commence à être déployé dans différents centres cliniques à travers le monde, par l’intermédiaire du cloud d’Evolucare Technologies. Le succès de cette solution vient en partie de la grande quantité de données utilisée pour l’apprentissage, à savoir 760.000 images issues de 100.000 patients diabétiques du réseau de dépistage OPHDIAT en Ile-De-France. L’objectif commun du LaTIM et d’Evolucare Technologies est d’élargir le dépistage à l’ensemble des pathologies touchant l’œil, ou visibles à travers l’œil (pathologies cardiovasculaires, neurodégénératives, etc.). Afin que chacune de ces pathologies soit représentée par un nombre suffisant d’exemples, les images doivent provenir d’une population beaucoup plus variée que la population diabétique. Cela n’est possible que si les données proviennent de plusieurs centres cliniques.

Dans le cadre du LabCom ADMIRE, nous proposons donc que les centres cliniques utilisateurs du cloud d’Evolucare Technologies participent s’ils le souhaitent à l’enrichissement progressif de l’intelligence artificielle (IA). Outre une analyse rétrospective des données de chaque centre, nous proposons que les retours des utilisateurs sur les diagnostics de l’IA servent à affiner l’apprentissage au cours du temps. Dans un scénario d’apprentissage sur des données de santé multicentriques, il n’est plus envisageable d’exporter l’intégralité des données vers les chercheurs en IA. Il n’est pas non plus possible de réaliser l’entraînement au sein de chaque centre clinique, en raison d’une puissance de calcul limitée. Nous proposons donc de découper l’apprentissage entre les centres cliniques, d’une part, et un serveur de calcul, d’autre part : seules des informations abstraites (poids neuronaux, gradients, etc.) transiteront entre les différentes parties. Cela permettra à chaque centre clinique de garder le contrôle sur les données de ses patients et à Evolucare Technologies de garder le contrôle sur l’IA développée. Cela pose néanmoins des problèmes de sécurité : il faut notamment s’assurer que les données transitant entre les clients et le serveur, même abstraites, ne permettent pas l’extraction d’informations sensibles sur les patients ou, à l’inverse, sur les modèles d’IA en cours d’entraînement. Cela pose également des problèmes d’intelligence artificielle. Il faut ainsi pouvoir gérer des interprétations de qualité variable, provenant aussi bien d’experts mondialement reconnus d’une pathologie que de nouveaux utilisateurs de l’IA ; en particulier, il ne faudra pas oublier l’apprentissage initial lors de l’affinement progressif de l’IA. Enfin, il faut pouvoir gérer la variabilité des centres cliniques en termes de collecte de données d’imagerie (rétinophotographie, tomographie par cohérence optique, etc.), d’informations contextuelles et d’annotations.

La résolution de ces différents problèmes ouvrira la voie au dépistage de nombreuses pathologies, et en particulier au dépistage de pathologies rares, pour lesquelles l’expérience des médecins est forcément plus faible et l’apport de l’IA particulièrement utile. La mise en place de cette plateforme d’IA distribuée et sécurisée permettra en outre au LaTIM et à Evolucare Technologies de répondre ensemble à de nouvelles problématiques cliniques dans les années à venir.