L’Intelligence Artificielle va bouleverser durant les prochaines années de nombreux secteurs dont la santé et l’imagerie médicale. Par l’utilisation d’algorithmes de Deep Learning, les diagnostics sont de plus en plus précis, les risques d’erreur amoindris et les coûts abaissés.
Le nouveau paradigme généré par ces récentes méthodes a encouragé Servier, dans une démarche proactive, à entreprendre un POC sur le traitement d’images.
Projet de détection de la rétinopathie diabétique
Il a été déterminé de réaliser ce POC, avec l’aide d’un consultant LINCOLN, sur des images de rétines récupérées sur internet afin de discriminer les rétines atteintes de diabète des rétines saines. Cette maladie, pouvant survenir chez les individus atteints de diabète, se caractérise par la présence d’exsudats et d’hémorragies sur la rétine. Ce sont ces lésions que le clinicien tente de détecter. Malheureusement, l’examen de ces images prend du temps et les risques d’erreur existent. Par ailleurs, l’expérience du clinicien se fait avec le temps en analysant des centaines et des centaines d’images au fil des années.
C’est ici qu’intervient l’Intelligence Artificielle puisque celle-ci, par le biais des méthodes de plus en plus puissantes du Deep Learning conjuguée avec les immenses capacités de stockage des données, peut « apprendre » à partir de plusieurs milliers d’images en quelques jours voire quelques heures ce qu’aucun être humain ne sera jamais capable d’accomplir.
Utilisation du Deep Learning
Les algorithmes utilisés sont des réseaux de neurones convolutifs constitués de plusieurs couches permettant de détecter les contours et les formes des images. Les premières couches détectent des contours simples comme des barres verticales et des arcs de cercles que les couches suivantes combinent pour détecter des formes plus générales comme, dans notre cas, des exsudats et des hémorragies.
En pratique, pour gagner en efficience, nous utilisons des réseaux déjà entrainés sur des millions d’images pour d’autres problématiques, auxquels on extrait les premières couches puisque celles-ci détectent des formes générales mais en adaptant les couches suivantes à notre sujet.
Les modèles pré-entrainés utilisés sont ceux issus du concours ImageNet Large Scale Visual Recognition Challenge (ILSVRC) organisé chaque année depuis 2010 par la base de données ImageNet dont l’objectif est de classer 1,2 millions images de la vie quotidienne parmi 1000 classes. Le Deep Learning a fait sensation en 2012 en remportant le concours avec un taux d’erreur de 15,3 % (contre 25,8% l’année précédente). Depuis, le taux d’erreur a diminué chaque année pour atteindre 2,3% en 2017 !
Tous les modèles ayant remportés ce concours sont récupérables dans Python via la librairie Keras. Ces modèles pré-entrainés ont été utilisés dans le cadre de la détection de la rétinopathie diabétique en mettant à jour les dernières couches, lesquelles ont été calculées sur des GPU disponibles à travers une plateforme HPC (High Performance Computing).
Ce POC, réalisé par LINCOLN, a permis de montrer à Servier que l’utilisation du Deep Learning est fonctionnellement efficace dans la détection de la rétinopathie diabétique et par conséquent dans le traitement d’images. On peut imaginer des applications futures dans la détection de cancers sur des radiographies.