Sorry, you need to enable JavaScript to visit this website.

L’intelligence artificielle au service de la santé numérique : L’apprentissage supervisé

L’intelligence artificielle (IA) est entrée de plein pied dans la médecine. Mais qu’entend-on exactement par intelligence artificielle ? Comment ça marche ? Voyons une première introduction à ce domaine avec une application en pédiatrie.

Imprimer l'article

Définitions de l’Intelligence Artificielle et de l’apprentissage automatique

L'Intelligence Artificielle est un domaine vaste et composé de 6 disciplines principales : traitement du langage naturel, représentation des connaissances, raisonnement automatisé, apprentissage automatique, vision par ordinateur et robotique.

Par volonté de simplification, nous allons ici aborder un de ces domaines, à savoir l'apprentissage automatique (ou machine learning ML), car c’est le domaine avec le plus de potentiels pour des applications concrètes en médecine.


Il existe deux grands paradigmes dans l’apprentissage automatique : l'apprentissage supervisé (SL- supervised learning) et l'apprentissage non supervisé (UL unsupervised Learning)).

Dans cet article, nous nous concentrerons sur l’apprentissage supervisé.

Le terme « supervision» fait référence à deux possibilités : soit des classifications claires et établies existent pour trier les données, soit  « l’apprentissage sur terrain » permet de trier ces données.  L’algorithme une fois écrit, s’entraîne sur un ensemble de jeux de données « pré-classées », étiquetées et s’améliore, se modifie jusqu’à ce qu’il parvienne au résultat souhaité : en l’occurrence classer correctement chaque nouvelle donnée qu’on lui soumet.

Une classification efficace passe par une grande quantité de données

L’apprentissage supervisé comporte deux phases : la formation et les tests. La formation est le processus de construction d'un modèle de classification basé sur les données de lésions cutanées prouvées par biopsie en cas de maladies inflammatoires ou de cancers par exemple. La formation implique implicitement ou explicitement la disponibilité d’un grand nombre de données. La phase de test, d'autre part, est le processus d'évaluation du modèle (modèle diagnostic, prédictif, etc) sur des données (de test) non encore vues. L'objectif fondamental de l’apprentissage est d’obtenir un modèle de classification qui corresponde évidemment parfaitement aux données initiales (données de formation) mais aussi et surtout qui produise des prédictions précises et justes, d’abord sur les données de test et puis dans de véritables contextes cliniques.

Un exemple concret en pédiatrie ? Une application pour l’évaluation des selles de bébé

Un exemple très simple et concret de machine learning appliqué à la pédiatrie est l’évaluation de la consistance des selles au travers d’une application.

La classification précise de la consistance des selles des bébés reste difficile et demeure un élément très utile dans la démarche diagnostique en pédiatrie générale, mais aussi dans certaines situations cliniques et suivis plus complexes. Une étude en cours concerne la classification automatisée des consistances des selles à partir de photos de couches en utilisant l’apprentissage automatique. Près de 3000 photos ont ainsi été patiemment classées et le processus d’apprentissage a pu s’effectuer sur cette classification pour aboutir à une concordance élevée entre notation automatisée et professionnels de santé. Intégré à une application smartphone, ce nouveau cadre automatisé de classification offrira bientôt des nombreuses applications tant dans le domaine des études cliniques que pour l'évaluation et le suivi à domicile de la santé digestive des enfants de moins de deux ans.

Conclusion

L’intelligence artificielle, et notamment l’apprentissage supervisé permet au modèle de se créer en analysant un très grand jeu de données initiales déjà classées. Si l’apprentissage est une réussite, le modèle arrive à prédire avec une grande fiabilité lorsqu’on lui soumet de nouvelles données. Une étude en cours permettra ainsi, bientôt à l’aide d’une simple photo d’un smartphone, de documenter et de classer de façon objective les selles des bébés de moins de 24 mois.

Article rédigé par J. Varèse

Références

Artificial Intelligence Approach in Melanoma Chapter · January 2019 DOI: 10.1007/978-1-4614-7322-0_43-1 t: https://www.researchgate.net/publication/333362235

https://www.lebigdata.fr/reseau-de-neurones-artificiels-definition

T.Ludwig et al, Machine Learning Supports Automated Digital Image Scoring of Stool Consistency in Diapers accepted for publication - JPGN, 2021

Imprimer cet article

Accès au site et documents
exclusivement réservés à l'usage
des professionnels de santé

Nestlé
 
Le message

Retourner en haut de page
Fermer la popin

Avis important

Le lait maternel est l’aliment idéal du nourrisson car il convient le mieux à ses besoins spécifiques. Une bonne alimentation de la mère est importante pour la préparation et la poursuite de l’allaitement au sein. L’allaitement mixte peut gêner l’allaitement maternel et il est difficile de revenir sur le choix de ne pas allaiter. Les implications socio-économiques doivent également être prises en considération dans ce choix. En cas d’utilisation d’un lait infantile, lorsque la mère ne peut ou ne souhaite pas allaiter, il importe de respecter scrupuleusement les indications de préparation et d’utilisation et de suivre l’avis du corps médical. Une utilisation incorrecte pourrait présenter un risque pour la santé de l’enfant.

ACCÈS AU SITE ET DOCUMENTS EXCLUSIVEMENT RÉSERVÉS À L'USAGE DES PROFESSIONNELS DE SANTÉ

Fermer la popin

Informations réservées
aux professionnels
de santé,
pour y accéder :

je me connecteje m'inscris