Il est possible de montrer à un ordinateur à «apprendre», à la manière d’un cerveau humain. On peut procéder de diverses manières, mais l’une d’elles est particulièrement bien adaptée à l’analyse d’imagerie médicale, selon le physicien de l’Université Laval Philippe Després.

Neurones en boîte

CHRONIQUE / «Serait-il possible de faire le point sur le développement de ce qu’on appelle le “diagnostic médical assisté par ordinateur”? J’ai vu récemment que les réputées cliniques Mayo travaillaient là-dessus depuis quelques années, et je sais qu’on fait déjà de l’analyse des radiographies par ordinateur au Québec. Mais en a-t-on fait le bilan? Jusqu’à quel point est-ce fiable, et quelles sont les limites des ordinateurs à cet égard?» demande Donald Bouffard, de Québec.

Dans l’idée que l’on s’en fait généralement, les ordinateurs ne font qu’appliquer des algorithmes, soit des formules logiques relativement (et parfois très, très relativement) simples. Par exemple, si A est détecté, alors l’ordi doit faire X. Si B est détecté, alors il faut faire Y. Si A et B arrivent ensemble, alors il faut faire Z. Et ainsi de suite.

Or il est aussi possible de montrer à un ordinateur à «apprendre». On peut procéder de diverses manières, mais l’une d’elles est particulièrement bien adaptée à l’analyse d’imagerie médicale, indique le physicien de l’Université Laval Philippe Després, un spécialiste des applications informatiques à certaines branches de la médecine, notamment l’imagerie. Ce sont les réseaux de neurones. Essentiellement, on programme un ordinateur pour qu’il mimique le fonctionnement du cerveau humain. Celui-ci apprend en faisant des connexions entre ses neurones, ou en modulant la force de ces connexions. En informatique, on peut programme l’ordinateur pour qu’il fasse de même. Ensuite, on «entraîne» la machine à une tâche en particulier.

«En soi, ça n’a vraiment rien de nouveau : les réseaux de neurones existent depuis les années 50, indique M. Després. Mais si on parle de radiologie et d’imagerie médicale, on peut remonter à 2012, avec la grosse percée de Yoshua Bengio [chercheur en informatique à l’Université de Montréal, qui a d’ailleurs nommé le Scientifique de l’année Radio-Canada récemment, ndlr]. À partir d’une banque de 1,4 million d’images, ils ont réussi à entraîner un réseau de neurones pour identifier des photos de chat, d’autruches, etc.»

Cela peut semble spectaculairement banal, mais distinguer un chat d’un chien — ou plus généralement, interpréter les images à peu près comme un cerveau humain — n’est pas une mince tâche pour un ordinateur. Mais les réseaux de neurones y parviennent, pour peu qu’on ait des machines assez puissantes (ce qui est récent) et qu’on les entraîne. On commence par exemple par présenter un chat à l’ordinateur en lui disant de quoi il s’agit, explique M. Després; on fait la même chose avec d’autres espèces animales; puis on lui présente des images sans lui donner la réponse. À force de pratique, d’échecs et de corrections, l’ordinateur finit par faire les bonnes connexions entre les bons «neurones» et par accorder la bonne importance à chacune de ces connexions afin d’arriver au meilleur taux de bonne réponse.

Mine de rien, ce genre de «cerveau artificiel» peut devenir extrêmement performant à la tâche bien précise pour laquelle on l’a entraîné. Par exemple, dans un article paru dans Nature l’an dernier, un réseau de neurones entraîné à reconnaître des cancers de la peau et à les distinguer d’autres problèmes cutanés a montré «un niveau de compétence comparable à celui des dermatologistes», concluaient les auteurs.

Dans le cas de l’imagerie médicale, cela promet de grandement alléger la tâche de certains médecins en les libérant de tâches répétitives, indique Marc-André Fortin, chercheur de l’Université Laval qui développe des matériaux pour l’imagerie médicale et qui, à ce titre, suit de près les progrès de l’intelligence artificielle dans ce domaine.

Ainsi, illustre-t-il, «il y a des outils technologiques qui ont été mis au point pour circonscrire les organes sur les images. C’est très fastidieux à faire manuellement et ça peut demander beaucoup de temps à un radiologue ou un radio-oncologue.» De la même manière, il faut parfois localiser précisément et en 3D un organe ou une lésion, ce qui ne va pas de soi puisque chaque patient est différent. Les radiologues, dit M. Fortin, vont souvent prendre un os comme point de repère, puis déduire la position exacte de l’organe, mais cela demande l’analyse de plusieurs images différentes — et l’intelligence artificielle pourrait très bien, éventuellement, s’acquitter de ce genre de tâche.

Compte tenu des grands progrès dans les techniques d’imagerie médicale des dernières années et de l’explosion du nombre d’images que les radiologistes doivent maintenant analyser, les avantages d’avoir un assistant informatique sont évidents. Avec, en prime, le fait qu’un ordinateur ne fera jamais d’erreur d’inattention ou de fatigue.

Pas infaillible

Mais cela ne veut pas dire qu’un réseau de neurones ne peut pas se tromper, avertit M. Després. Ainsi, l’intelligence artificielle a beaucoup de mal avec la notion de contexte : si l’on entraîne un réseau de neurones à reconnaître des voitures, par exemple, il deviendra rapidement très bon à le faire, mais si on lui présente ensuite une auto dont la moitié est cachée par un arbre, il est bien possible qu’il ne la voit pas.

Or «le contexte, c’est extrêmement important en médecine, enchaîne M. Després. On ne traite pas une lésion séparée du reste: c’est un patient qu’on traite, avec un âge, un sexe, un historique de santé, etc. Il faut tenir compte de tout ça.»

Alors ce n’est pas demain la veille qu’on se passera de médecins, disent MM. Després et Fortin. D’autant plus qu’il y a un frein, à l’heure actuelle, qui ralentit le développement de ces outils informatiques. Il faut en effet BEAUCOUP d’images pour entraîner un réseau de neurones. «Si ce sont des photos de chats et de chiens, ce n’est pas un problème que ce genre d’images se trouve en grand nombre et que n’importe qui peut montrer à l’ordinateur ce qui est un chat et ce qui est un chien. Mais les gens capables de dire : voici tel ou tel type de sarcome, c’est beaucoup plus rare», dit M. Després. 

Enfin, il faut mentionner que les réseaux de neurones sont souvent décrits comme des sortes de «boîtes noires»: on sait ce qui y entre, on sait ce qui en sort, on connaît les mécanismes généraux qui permettent à ces réseaux d’apprendre et de s’améliorer, mais on laisse l’ordinateur connecter les neurones et optimiser les connexions tout seul, si bien que quand la machine se trompe, il est très difficile de savoir exactement ce qui s’est mal passé.

Et de toute manière, même si on se livre aux analyses complexes qu’il faut pour mettre le doigt sur le bobo, on risque fort de ne pas pouvoir y faire grand-chose, dit M. Després : ce sont les connexions et le poids que l’ordinateur accorde à chacune d’elle qui font qu’il parvient habituellement à la bonne réponse, si bien que si l’on modifie ces connexions pour éviter l’erreur qu’il vient de commettre, on risque fort de lui faire faire d’autres erreurs à l’avenir.

Bref, comme le cerveau humain n’est pas parfait, on ne doit pas s’attendre à atteindre la perfection en l’imitant. C’est pourquoi «le dernier mot reviendra toujours au radiologiste», dit M. Després.