MOMI2022: Intervenants principaux

Dr. Maria A. Zuluaga – Eurecom, 3IA Institute Côte d’Azur

Titre: Les défis de l’IA en matière de données pour l’imagerie médicale

Maria A. Zuluaga

L’intelligence artificielle (IA) a montré un grand potentiel pour aider les cliniciens dans l’analyse des images médicales pour le diagnostic et le suivi de plusieurs dizaines de pathologies. Ce succès dépend toutefois de deux facteurs critiques. Premièrement, les modèles d’IA nécessitent un large ensemble de données d’entraînement avec des annotations de haute qualité. Deuxièmement, les images qui seront traitées par le modèle d’IA une fois déployé sont censées avoir les mêmes propriétés statistiques que les données d’entraînement. Si l’une de ces deux conditions n’est pas remplie, il est probable que le modèle d’IA échoue, ce qui est critique dans un contexte clinique. Dans cet exposé, je présenterai certains de nos travaux récents qui visent à relever ces défis. Dans une première partie, je discuterai de nouvelles stratégies méthodologiques visant à faciliter l’annotation des données et à mieux utiliser les petits échantillons lors de la formation. Dans la deuxième partie, je présenterai certains de nos travaux sur les stratégies de contrôle de qualité pour surveiller les performances des modèles d’IA déployés et détecter les dérives potentielles dans la distribution des données de test.


Dr. Melek Önen – Eurecom

Titre: Vie privée et sécurité pour l’IA

Melek Önen

L’essor du cloud computing a entraîné un changement de paradigme dans les services technologiques qui a permis aux parties prenantes de déléguer leurs tâches d’analyse de données à des serveurs tiers (en nuage/ cloud). L’apprentissage automatique en tant que service (MLaaS) est l’un de ces services qui permet aux parties prenantes d’effectuer facilement des tâches d’apprentissage automatique sur une plateforme en nuage. L’avantage d’externaliser ces opérations à forte intensité de calcul a malheureusement un coût élevé en termes d’exposition à la confidentialité. L’objectif est donc de mettre au point des algorithmes d’apprentissage automatique personnalisés qui, de par leur conception, préservent la confidentialité des données traitées. Les techniques cryptographiques avancées telles que le chiffrement entièrement homomorphique ou le calcul multipartite sécurisé permettent l’exécution de certaines opérations sur des données chiffrées et peuvent donc être considérées comme des candidats potentiels pour ces algorithmes. Cependant, ces techniques entraînent des coûts de calcul et/ou de communication élevés pour certaines opérations. Dans cet exposé, nous analyserons la tension entre les techniques de ML et les outils cryptographiques pertinents. Nous ferons également le point sur les solutions existantes en matière de confidentialité et de sécurité.


Dr. Antonia Machlouzarides-Shalit et Léonie Borne – NeuroPin, Incubee, Inria

Titre: Neuroradiologie augmentée : Renforcer les neurosciences par l’IA pour améliorer les interprétations cliniques des images IRM

Antonia Machlouzarides-Shalit

La dynamique actuelle de l’imagerie médicale atteint un point critique ; il y a trop de données et pas assez de radiologues.

Leonie Borne

Avec des flux de travail non standardisés, les interprétations qualitatives approfondies prennent beaucoup de temps et nécessitent une expérience et une expertise humaines, et les mesures quantitatives sont souvent arbitraires et ambiguës. Notre start-up NeuroPin s’attaque à ces deux problèmes. Sur le plan qualitatif, nous automatisons la détection des anomalies. Quantitativement, nous standardisons la volumétrie de ces anomalies, et leur évolution dans le temps. Les étapes futures de NeuroPin incluent le renforcement des relations entre les changements pathologiques dans le temps avec les biomarqueurs et les traitements pertinents, afin de développer un modèle de prédiction qui peut améliorer les résultats des patients.


Dr. Stéphanie Lopez – LungScreenCT, en partenariat avec UCA, CHU de Nice et Therapixel

Titre: L’IA appliquée au dépistage du cancer du poumon : le projet LungScreenAI

Stéphanie Lopez

Le cancer du poumon est la principale cause de décès par cancer. La plupart des efforts sont consacrés à la détection précoce des lésions afin d’améliorer le pronostic des patients atteints de cancer du poumon.

Même si aucun dépistage du cancer du poumon n’a été réalisé en France jusqu’à présent, il est conseillé de surveiller les patients à haut risque. Le scanner thoracique permet d’identifier les nodules pulmonaires suspects et des examens complémentaires tels que le PET scan, les biopsies ou la chirurgie peuvent être proposés. L’augmentation du nombre de scanners thoraciques a conduit à la détection d’un nombre croissant de nodules pulmonaires, la plupart d’entre eux étant bénins. Afin de ne manquer aucun cancer, de nombreux patients sont surdiagnostiqués, ce qui entraîne une augmentation du nombre d’examens complémentaires, à la fois coûteux et stressants pour le patient.

La principale difficulté pour les radiologues provient de l’évaluation de la malignité des nodules, en fonction de la grande variabilité de leurs caractéristiques (taille, texture, taux de croissance…). Des lignes directrices internationales telles que celles proposées par la Société Fleischner en 2017 ont été mises en place pour standardiser la procédure de suivi des patients présentant des nodules pulmonaires.

LungScrenAI vise à fournir aux radiologues un outil de première lecture fiable, basé sur des algorithmes d’intelligence artificielle. Cela permettra un gain de temps pour le diagnostic, tout en maintenant ou améliorant la précision du diagnostic et en limitant le surdiagnostic, ainsi que les coûts et le stress associés. Ce projet est un projet de partenariat avec Innovation. Université Côte d’Azur et l’université hospitalière de Nice sont les promoteurs du projet, en partenariat avec une start-up française.


Dr. Marco Lorenzi – Inria

Titre: Fed-BioMed pour l’apprentissage fédéré en open-source pour la santé

Marco Lorenzi

Fed-BioMed est une initiative open-source pour l’apprentissage fédéré (FL) dans les soins de santé, dirigée par Inria, et comprenant des contributions de partenaires de recherche, cliniques et industriels.

Au cours de l’exposé, je présenterai les activités de recherche et de développement actuellement en cours dans Fed-BioMed, et j’illustrerai nos cas d’utilisation pour des applications réelles de l’apprentissage fédéré dans les réseaux d’hôpitaux. Je détaillerai les paradigmes de base des composants logiciels pour les clients et le nœud central, et j’illustrerai le flux de travail pour déployer des modèles dans des scénarios FL typiques. Enfin, j’illustrerai comment Fed-BioMed permet de déployer des recherches de pointe dans un cadre réel, y compris des schémas pour un apprentissage privé et robuste.


Pr.  Frédéric Precioso – Inria, I3S

Titre: Pourquoi les transformateurs devraient être le prochain super modèle neuronal ?

Frédéric Precioso

Le succès du Deep Learning a d’abord commencé avec les réseaux de neurones convolutifs qui sont des architectures neuronales préservant les motifs spatiaux dans les données. Cette famille de modèles est facilement parallélisable. Pour les données séquentielles et les séries temporelles, l’intérêt s’est déplacé vers les réseaux de neurones récurrents qui préservent les modèles séquentiels. Cette famille de modèles n’est pas parallélisable mais peut prendre en compte de larges contextes (ou des dépendances à long terme). Les réseaux de neurones récurrents ont également beaucoup bénéficié des mécanismes d’attention et des couches attentionnelles. Les transformateurs devraient être le prochain super modèle neuronal car ils rassemblent tous les avantages des familles précédentes. Après avoir détaillé les mécanismes internes des transformateurs, nous verrons les applications récentes.


Dr.  Mahdi Rajabizadeh – AI.Nature

Titre: L’IA peut aider à la gestion des morsures de serpent

AI.Nature

L’envenimation par les serpents est un problème de santé publique dans de nombreux pays tropicaux et subtropicaux, principalement en Afrique, en Asie et en Amérique latine. L’OMS a récemment considéré l’envenimation par morsure de serpent comme une maladie tropicale négligée, ce qui constitue une étape importante dans la lutte contre cette maladie. Environ 5,4 millions de morsures de serpent se produisent chaque année, entraînant environ 81 000 à 137 000 décès et environ trois fois plus d’invalidités permanentes chaque année (www.who.int). Ce conflit entre l’homme et le serpent résulte en partie de la difficulté de l’identification des serpents, qui repose actuellement sur des connaissances spécialisées. L’identification des serpents aide les médecins à mieux planifier le traitement des morsures de serpent. AI.Nature est un projet de startup française, incubé à l’INRIA, Paris, qui tente de combiner l’IA et la science zoologique pour aider les médecins à identifier les serpents. AI.Nature a produit une application web qui fournit des services basés sur l’IA pour 1) l’auto-identification des serpents à partir d’images ; 2) l’identification des serpents en fonction de leur localisation. L’application web est déjà lancée pour l’Asie occidentale et l’Afrique du Nord et est testée par des médecins, même dans des cas réels.


Pr.  Maxime Sermesant – Inria, IHU Liryc, 3IA Côte d’Azur

Titre: L’IA et la modélisation cardiaque personnalisée : Apprendre par cœur

Maxime Sermesant

L’apprentissage automatique et la modélisation biophysique sont des approches très complémentaires. Les progrès récents en matière de puissance de calcul et de données disponibles permettent de développer des approches précises axées sur les données pour les soins de santé, tandis que les modèles biophysiques offrent une manière raisonnée de représenter l’anatomie et la physiologie. Dans cet exposé, je présenterai une recherche où nous combinons les deux méthodologies afin de tirer parti de leurs forces. Différentes applications cliniques en cardiologie computationnelle seront présentées.


Pr.  Alejandro F Frangi – University of Leeds, KU Leuven, Alan Turing Institute

Titre: Imagerie de précision – de l’imagerie basée sur le modèle à la modélisation basée sur l’image

Pr. Frangi

L’analyse des images médicales est devenue un domaine mature, mis au défi par les progrès réalisés dans toutes les technologies d’imagerie médicale et les percées plus récentes en imagerie biologique. La fertilisation croisée entre l’analyse d’images médicales, la physique et la technologie de l’imagerie médicale, et la connaissance des domaines de la médecine et de la biologie a suscité un effort véritablement interdisciplinaire qui s’est étendu au-delà des limites originales des disciplines qui ont donné naissance à ce domaine et a créé des synergies stimulantes et enrichissantes.

L’imagerie de précision n’est pas une nouvelle discipline, mais plutôt un aspect distinct de l’imagerie médicale, qui se situe à la croisée des chemins et unifie les efforts déployés en matière d’imagerie mécaniste et phénoménologique fondée sur des modèles. L’imagerie de précision se caractérise par son caractère descriptif, prédictif et intégratif. Elle reflète trois orientations principales dans les efforts déployés pour faire face au déluge d’informations dans les sciences de l’imagerie et ainsi parvenir à la sagesse à partir des données, des informations et des connaissances. L’imagerie de précision peut conduire à des biomarqueurs d’imagerie soigneusement conçus et mécaniquement élaborés et à l’utilisation de la modélisation et de la simulation informatiques basées sur l’imagerie médicale pour améliorer la science réglementaire et l’innovation des produits médicaux.

Cet exposé résume et formalise notre vision de l’imagerie de précision pour la médecine de précision et met en évidence certains liens avec des recherches antérieures et notre intérêt actuel pour la phénomique computationnelle à grande échelle et les essais cliniques in silico.


Pr. Benoit Huet et Dr Pierre Baudot – Median Technologies

Titre: iBiopsy® Dépistage du cancer du poumon : Un logiciel de diagnostic par IA pour améliorer les soins aux patients à grande échelle

Benoit Huet

Les images médicales révèlent la maladie telle qu’elle est réellement, à chaque stade, et permettent de suivre son évolution de manière non invasive. Exploiter le véritable pouvoir des images médicales est essentiel pour accélérer les innovations cliniques, le développement de médicaments et améliorer les soins aux patients. Depuis 2002, Median repousse les limites de l’identification, de l’analyse et de la communication des données d’imagerie dans le monde médical, en mettant l’accent sur le cancer et d’autres maladies chroniques. Chez Median, nous fournissons des services d’imagerie de pointe pour les essais en oncologie et des capacités d’imagerie médicale IA qui révèlent de nouvelles perspectives sur des connaissances jusqu’alors inaccessibles. Nos deux plateformes propriétaires, iSee® pour les services d’imagerie dans les essais cliniques, et iBiopsy® pour les diagnostics non invasifs basés sur l’image, exploitent la puissance des images médicales pour accélérer les innovations thérapeutiques et améliorer les soins aux patients atteints de cancer. iBiopsy®, en tant que technologie unique de bout en bout alimentée par l’IA, Software as a Medical Device (SaMD), intègre et optimise automatiquement l’ensemble du flux de travail d’imagerie médicale. iBiopsy® soutient les radiologues et les cliniciens dans le dépistage, le diagnostic précoce et le traitement de maladies potentiellement mortelles dans le monde entier. iBiopsy® développe actuellement SaMD pour un diagnostic IA de bout en bout pour trois indications (dépistage du cancer du poumon, diagnostic précoce et prédiction de récidive du HCC, et diagnostic et notation de la NASH), la présentation se concentrera sur un composant de nos modèles de diagnostic de dépistage du cancer du poumon visant à caractériser l’état malin par une quantification automatique de la morphologie de la tumeur.

Pierre Baudot

Les pathologies induisent systématiquement des changements morphologiques, qui constituent donc une source importante mais encore insuffisamment quantifiée d’observables pour le diagnostic. L’étude développe un modèle prédictif des états pathologiques basé sur des caractéristiques morphologiques (3D-morphomics) sur des volumes de tomographie par ordinateur (CT). Un workflow complet pour l’extraction et la simplification de la surface d’un organe est développé et couplé à une extraction automatique des caractéristiques morphologiques données par la distribution de la courbure moyenne et de l’énergie de la maille. Un classificateur supervisé consistant en un modèle XGBoost est ensuite entraîné et testé sur la morphomique 3D pour prédire les états pathologiques. Ce cadre est appliqué à la prédiction de la malignité des nodules pulmonaires. Sur un sous-ensemble de la base de données NLST avec biopsie confirmée de malignité, en utilisant uniquement la 3D-morphomique, le modèle de classification des nodules pulmonaires en malignité ou bénignité atteint une AUC de 0,964. Trois ensembles supplémentaires de caractéristiques classiques sont formés et testés : (1) un ensemble clinique contenant des caractéristiques cliniques pertinentes donne une AUC de 0,58, (2) un ensemble de 111 radiomics donne une AUC de 0,976, (3) un ensemble de radiologist ground truth (GT) contenant la taille du nodule, l’atténuation et les annotations qualitatives de spiculation donne une AUC de 0,979. La combinaison de la 3D-morphomique avec les caractéristiques de la radiomique donne des résultats de pointe avec une AUC de 0,978 où la 3D-morphomique a certains des pouvoirs prédictifs les plus élevés. Cela établit les distributions de courbure comme des caractéristiques efficaces pour prédire la malignité des nodules pulmonaires et une nouvelle méthode qui peut être appliquée directement à une tâche arbitraire de diagnostic assisté par ordinateur.


Pr. Hervé Delingette – Inria

Titre: Quelques stratégies pour faire face au coût des annotations dans l’analyse des images médicales

Hervé Delingette

Les annotations d’images, telles que les étiquettes d’images ou les délimitations d’organes, sont nécessaires pour entraîner les algorithmes d’apprentissage supervisé à résoudre diverses tâches d’analyse d’images médicales, mais aussi pour évaluer leurs performances. La production d’annotations de haute qualité prend beaucoup de temps, surtout lorsqu’il s’agit d’images volumétriques. De plus, la variabilité inter-juges lors de la production de ces annotations doit être prise en compte pour refléter la complexité des tâches. Dans cette conférence, je présenterai quelques stratégies liées aux données et aux modèles pour faire face au coût des annotations. Une première série d’approches est centrée sur les données et vise à ne conserver que les annotations de haute qualité et à mesurer précisément l’accord ou le désaccord entre les évaluateurs. Un deuxième ensemble de méthodes centrées sur les modèles d’apprentissage automatique tente de minimiser la quantité d’annotations fortes requises, par exemple par l’utilisation de techniques semi-supervisées ou mixtes-supervisées.


Dr.  Remi Bernhard – Quantificare

Titre: Quantificare : imagerie 2D/3D et intelligence artificielle au service de la dermatologie et de la chirurgie esthétique

Remi Bernhard

Quantificare est une entreprise pionnière dans les systèmes d’imagerie 2D et 3D et dans la documentation photographique standardisée à destination des centres d’études cliniques. Premièrement, en tant que société de recherche contractuelle, Quantificare fournit ses services dans le cadre d’études, notamment pour évaluer la qualité de certains traitements. Deuxièmement, Quantificare propose les appareils photo de la gamme LifeViz et le logiciel LifeVizApp, à destination des praticiens en chirurgie esthétique, qui offrent un outil de visualisation, simulation et analyse des résultats des opérations. Cela permet au patient d’avoir une vision claire et précise des changements à venir, et au praticien d’évaluer les opérations qu’il souhaite réaliser.

En outre, dans un contexte médical, tirer parti de l’IA  se révèle particulièrement pertinent. C’est pour cette raison que les solutions proposées par Quantificare incluent de l’IA à différents niveaux, notamment pour obtenir un diagnostic pour diverses maladies, de manière automatique et très précise.
Dans cet exposé, je présenterai dans un premier temps les principales activités et services fournis par Quantificare. Je détaillerai ensuite certains cas d’usage de l’IA relatifs à l’activité de Quantificare, en présentant certains enjeux en termes de faisabilité et de robustesse.

Pr. Irina Voiculescu – University of Oxford, Computer Science department

Titre: Comment « précis » peut-il suffire ? La prudence dans l’utilisation des mesures d’évaluation mathématiques dans la segmentation des images médicales

Irina Voiculescu

Une grande variété de méthodes d’intelligence artificielle envahit tous les domaines de la médecine qui impliquent l’acquisition d’images. Dans un siècle où les professionnels de la clinique sont submergés de données, les modèles d’IA soigneusement conçus font véritablement progresser le processus de dépistage médical. Trop souvent, cependant, la nouveauté des méthodes d’IA consiste simplement à utiliser des modèles d’apprentissage automatique établis et à montrer leurs performances sur des ensembles de données uniques. Il est important d’explorer des scénarios dans lesquels ces pipelines conventionnels de traitement et d’évaluation des données ne s’appliquent pas directement. C’est là que notre raisonnement mathématique doit être mis en évidence : quel sens pouvons-nous encore extraire de résultats qui ne semblent pas parfaits ?

Les commentaires sont clos.