Intelligence artificielle et machine learning

Les champs de l’IA sont les suivants : • Le machine learning (ML). Le ML permet aux machines d’apprendre et de faire des prévisions par la reconnaissance de motifs. L’apprentissage supervisé par l’humain permet à l’ordinateur un étiquetage partiel des données, c’est le radiologue qui indique à l’ordinateur où est l’aorte par opposition à l’apprentissage non supervisé. Le premier permet d’entraîner la machine à prédire un résultat connu, alors que le deuxième sert à identifier des motifs au sein des données, cette approche étant particulièrement intéressantes pour identifier des motifs subtils au sein de grandes quantités de données. • Le Natural Language Processing (NLP). C’est le processus par lequel l’ordinateur apprend à comprendre et à reconnaître le langage humain. Il est primordial pour l’analyse du contenu des dossiers patients avec les comptes rendus médicaux. Au-delà de la reconnaissance du simple mot, le NLP permet d’identifier des séquences sémantiques et de la syntaxe, et de les analyser. • Artificial Neural Network. Inspirés des réseaux de neurones biologiques, ils sont devenus primordiaux dans de nombreuses applications d’IA. Les « Deep Neural Networks » comprennent de nombreuses couches et permettent d’apprendre des motifs plus complexes et plus subtils que les réseaux à une ou deux couches. • Computer vision. C’est l’analyse d’images et de vidéos par la machine. Elle a permis des progrès significatifs par analyse de coupes scanographiques ou de séquences de colonoscopie, par exemple. Pour ce qui est de la chirurgie vasculaire, les quatre champs de l’IA sont expérimentés. Dans le domaine du diagnostic, l’analyse par IA de données diagnostiques non invasives permet d’établir très tôt le diagnostic d’artériopathie périphérique, par exemple. L’analyse de l’onde de pouls a été faite par « deep convolutional neural network » en utilisant comme référence l’IPS (Index de pression systolique). Une étude sur un grand nombre de patients virtuels a montré la méthode supérieure à la prise de l’IPS pour le diagnostic précoce de l’artériopathie périphérique. Dans la planification du traitement des anévrismes de l’aorte abdominale par mesures automatisées afin d’aider le chirurgien dans le choix de la technique, on trouve le sizing automatisé et le choix de l’endoprothèse. L’ajout dans l’algorithme de données cliniques, biologiques améliore encore la fiabilité du modèle. L’analyse de grandes quantités de données à partir de dossiers de patients a été possible par ces techniques avec mise au point d’un modèle de prédiction de la mortalité liée à l’artériopathie périphérique, dépassant les performances des analyses classiques par régression logistique. Les défis dans l’avenir consistent à exploiter au mieux cet énorme potentiel en évitant les écueils qui sont aussi importants que les avantages. Les algorithmes doivent être validés sur des cohortes de patients réels. Les solutions apportées doivent être simples d’utilisation et faciles à mettre en œuvre, sans compter les enjeux éthiques liés à la manipulation de telles quantités de données en santé. En complément, on signale qu’en France il existe des équipes à la pointe dans ce domaine dont certaines publications récentes sont reportées ci-dessous à titre indicatif : • Fully automatic volume segmentation using deep learning approaches to assess aneurysmal sac evolution after infrarenal endovascular aortic repair. J Vasc Surg 2022 ;76 :620-30 ; • Applications of artificial intelligence for patients with peripheral artery disease. J Vasc Surg 2023 ; 77(2) : 650-8 ; • Pre-surgical and Post-surgical Aortic Aneurysm Maximum Diameter Measurement: Full Automation by Artificial Intelligence. Eur J Vasc Endovasc Surg 2021 ; 62(6) : 869-77.