Le machine learning se prépare à bouleverser la médecine moderne, notamment en fiabilisant les pronostics. La clé ? des algorithmes d’apprentissage automatique pour identifier de larges groupes de patients, améliorer les diagnostics et les examens cliniques – dont le développement s’est inspiré des travaux réalisés en astronomie pour classifier les galaxies et localiser des supernovas. La rencontre entre les sciences de la vie et de la mathématique, puis celle des données massives et de l’algorithme s’apprête a changer la face… de la médecine. 

Big Data et Deep learning, base de l’évolution de la méthode scientifique  

L’IA sort des laboratoires d’informatiques pour rencontrer les autres sciences, avec des arguments de poids puisque cette technologie se targue d’avoir le potentiel de bouleverser la façon dont se construisent les théories scientifiques. 

En effet, le deep learning annonce une rupture non seulement technologique, mais avant tout scientifique. C’est un changement total de paradigme pour la science parce qu’apprendre aux ordinateurs à apprendre est loin d’être une utopie d’ingénieur en informatique. Au-delà des applications d’IA de reconnaissance faciale ou synthèse vocale, ces technologies remettent en cause certains fondamentaux de la méthode scientifique. Et pour cause un changement radical dans la construction mathématique des modèles scientifiques.  

Les modèles étant traditionnellement construits par des chercheurs à partir de données d’observation, en n’utilisant pas plus de dix variables, ils comportent indéniablement des limites. Limites dues simplement au fait que nous sommes humains ! Les algorithmes d’apprentissage, eux, sélectionnent seuls le modèle optimal pour décrire un phénomène à partir d’une masse de données comprenant jusqu’à plusieurs millions de variables. Une complexité inatteignable pour nos cerveaux humains ! Le deep learning change la donne en assistant l’expertise scientifique dans la construction des modèles. 

Un tremplin pour la recherche et des machines qui apprennent de leurs erreurs 

La science a pu construire des modèles de plus en plus complexes avec l’augmentation de la puissance de calcul des outils informatiques. De ce fait, la simulation numérique est désormais considérée comme le troisième pilier de la science après la théorie et l’expérience. 

Quel est l’avantage pour les chercheurs ? Laisser la machine chercher seule les tendances cachées dans les données d’observation plutôt que définir des modèles puis mettre en avant ses limites. Ensuite, ce sont les simulations numériques qui font office d’expérimentations pour le modèle se rapportant le plus à la réalité. 

S’il est intéressant de constater que cette révolution de l’algorithme converge aujourd’hui vers une nouvelle approche de la maladie et des moyens de la combattre, la véritable révolution réside dans le langage de visualisation des connaissances médicales. Ce langage est une sorte de représentation numérique des principaux états physiopathologiques des patients. Ils comprennent les caractéristiques patient, et notamment les différentes classes thérapeutiques, comme les antirétroviraux, les nouveaux nanomédicaments, les anticorps monoclonaux ou les vaccins thérapeutiques, qui marient la vocation à combattre la maladie avec celle d’aider le corps à s’en débarrasser ou à vivre avec. 

En parallèle, se développe la médecine dite personnalisée qui permet d’ajuster le traitement à chaque terrain et en fonction du patient afin d’éviter les médicaments et classes thérapeutiques à risque iatrogène1. Par conséquent, les technologies Big Data apporteront, de toute évidence, des compléments de réponse qui permettront à la médecine personnalisée de le devenir vraiment.  

Le Big Data et l’analytique, au secours de la santé 

Comme dit précédemment, les algorithmes vont permettre de faire des progrès décisifs, notamment dans la détection des maladies et la réduction des dépenses. Le marché pourrait d’ailleurs atteindre 21 milliards de dollars d’ici 2020. Combinés à de l’analyse prédictive, les algorithmes pourrait déceler et réduire l’apparition de maladie à des stades précoces et dont le taux de mortalité peut être important. 

En outre, la collecte massive et le partage de données génétiques sont cruciaux pour la recherche, car il n’existe pas deux profils de malades identiques. Au moins 12 000 variantes des gènes BRCA1 et BRCA2, impliqués dans les cancers des ovaires et du sein, ont été recensés. Mais ce ne sont pas les seuls gènes en cause. Depuis leur découverte dans les années 90, une vingtaine de nouveaux gènes responsables de ces cancers ont été identifiés. Cette identification n’est possible qu’en analysant d’énormes volumes de données. 

 

 

 

 

Recevez par mail les articles et actualités AuCoeurdesMétiersJe m'inscris à la newsletter
preloader