L'Intelligence Artificielle: la belle ou la bête? - Dr Gaspard d'Assignies Groupe SFR IA - Collège des Enseignants ...
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
L'Intelligence Artificielle: la belle
ou la bête?
Dr Gaspard d’Assignies
Groupe SFR IA
Innovation
• Xray
• Echo • CT
• MRI • PACS - EMR • AI
Algorithme et médecine
IA en médecine
Système expert Machine learning
Règles …………..Conclusions Données -------------Règles
Données cliniques - Pas de théorie
- Grand nombre de variable
Étudiant idéal - Model de régression
- Sources de données divers
Deep learning
Deep Learning
=
Deep Neural
Network
Intelligence artificielle
Machine Learning
Deep Learning
L’apprentissage machine, comment ça marche ?...
Comme une boîte
On rentre des données réponse
D L Bonne ...
Ou mauvaise
L D X
D
D
D
le label D
L D Entrainement
L D
L D
L D
L
L
L
L
L
Machine Learning
= Classifieur
Chat
Lapin
Machine Learning
= Classifieur
Lapin
EntrainementMachine Learning
- Contours
- Densité
- Texture Chat
Deep Neural Network
ChatExemples : radio/nature dermato
IMAGE NET
Réseau de neurones
Mc Cullog & Pitt - Formal Neurone
Sortie
1953
X1 W1
W2
X2 Fonction
Y
d’activation
W3
X3
Bengio Hinton LeCun - Deep Neural Network 2006
Couche d’entrée Couches cachées Couche de sortie1. Algorithmes Backpropagation 2. Data 3. Puissance de calcul
Deep learning
Entrée Classification
Sortie
Régression
Signal d’ Entrée Sortie
Son Reconnaissance vocale
Texte NLP, traduction
Reconnaissance d’image
Image
Vidéo Analyse 4D, voiture autonomeDeep Neural Network
= Super Classifieur
Couche Couches Couche de
d’entrée cachées sortie
Pas
Chat
Chat
Siamois AngoraDeep Neural Network
= Super Classifieur
Couche Couches Couche de
d’entrée cachées sortie
Pas de
lésion
lésion
bénin malin3. Applications Cliniques du Deep Learning
Détection
/ Caractérisation
Classification
Segmentation Suivi/PronosticAutres ?
Thorax Tuberculose
Lajhani et al. Radiology 2017
Neuro MicroBleed
Dou Q et ql. Trans
Med Imaging 2016
Dermato Mélanome
(Esteva A. Nature 2017)
Ophtalmo Rétinopathie
(Gulshan V et al, JAMA 2016)
Fracture
MSK Olczac J et al. Acta
othopaedica2017 …Sein
Étude rétrospective
Screening année 2012 n= 3228 (n=143 KC)
3 radiologues = ground truth
Beckers AS et al, Invest Radiol
2017 Jul;52(7):434-440Poumon
Détection de nodule
n = 1010 (base publique LIDC)
Sens : 92-98 %
FP : 1.0 / patient
Setio et al. Med Image Anal. 2017 Jul
Challenge 2017Poumon
Classification TDM 6 en catégories :
- Normal
- Emphysème
- Verre dépoli
- Fibrose
- Micro nodule
- Condensation
Shin et al.Trans Med Imaging 2016
Diagnostic de tuberculose :
N = 1007 Rx
AUC = 0.99
Lajhani et al. Radiology 2017Neurologie
Détection des micro-saignements
N : 320
Sens : 93.16 %
FP: 2.74/ patient
Dou Q et ql. IEEE Trans Med Imaging 2016 FebMSK Detection de fracture 256 000 Rx Poignet, main, cheville Acuracy : 83 %
Interprétation/classification
A
Jun-Goo rapporte un travail d’analyse automatique de
la radio de thorax par des réseaux de type Faster
Régional-CNN
Image A montre les propositions par la machine
de régions d’intérêt sur la radio de thorax
Image B : Détection automatique des « lésions »
- Nodules
- Consolidations B
- Intersticial opacity
- Cardiomégaly
- Pleural effusion …
Jun-Goo et Al. KJR 2017Segmentation
La segmentation automatique d’organe est un A
important domaine de recherche qui connaît une
rapide progression grâce au Deep learning et aux
compétitions mondiales organisées autour de data en
open-source.
Image A : Segmentation sémantique automatique des
structures ostéo-cartilagineuses du genou
Jun-Goo et al. KJR 2017
Le pancréas est un organe particulièrement difficile à
segmenter. Ici une des premières études utilisant le DL
montrant de très bons résultats
Image B :
- Contours verts : segmentation auto par DL B
- contours rouge : référence manuelle
Summers et al. AJR Am J Roentgenol. 2016 Jul500
450
400
350
300
250
200
150
100
50
0
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Occurrence « Deep Learning » dans PubMedCT Data
Etat de santé d’un patient / prédiction de sa longévité
• Deux profils phénotypiques
• Prédiction de la mortalité 5 ans
87 % vs 8 %Intégration avec les données massives de santé
Génome, protéome, métabolome
Internet des objets
Imagerie, radiomic
monitoring
Médecine de précision basée sur
les méga-données
Jun-Goo et Al. KJR 20174. Comment faire du Deep Learning A. La boite à outils - Les algorithmes - Les données - Le matériel B. Comment se former ?
A. La boite à outils : Les algorithmes
Source : https://www.svds.com/getting-started-deep-learning/Il a été notamment utilisé avec succès pour
différencier automatiquement les naevus des
mélanomes avec des performances
comparables aux dermatologues experts lors
d’une parution très remarquée dans Nature
en 2017 (Esteva A. Nature
2017)
Tensorflow propose
une visualisation de
son fonctionnementA. La boite à outil : Le matériel
La société Nvidia vient d’annoncer une nouvelle
génération de GPU dédié au deep learning, le Tesla
GV100. Il intègre 21,1 milliards de transistors dans
5376 cœurs, le tout ayant une puissance de calcul de
120 TFLOPS.
Sources : http://www.lesnumeriques.com/A. La boite à outil : Les données
Le Deep learning a besoin de nombreuses données pour capturer la variabilité des
images rencontrées en pratique. En radiologie cela correspond a une très grande
quantité d’images labellisées.
Le set de données se divise en 3 catégories :
- Set d’entrainement (grande taille) entrainer le modèle
- Set de Validation (petite taille) choix de l’architecture opt.
- Test évaluer la performance du modèle :
- généralisable à de nouvelles données ?
- ou trop collé au jeu d’entrainement (overfitting) ?
Le nombre exact d’images nécessaires pour entrainer un
réseau en fonction de la tâche n’est pas précisément connu.
On retient en première approximation la règle des 10 : Le
nombre de données doit être 10X supérieur au nombre de
paramètres de l’algorithme Courtesy Chartrand G.A. La boite à outils : Les données
Des jeux de données gratuites sont accessible pour la communauté
des chercheurs sur des plateformes d’échange publiques. C’est ce
qu’on appelle l’Open Data.
Sur ces données s’organisent des « challenges » mondiaux durant
lesquelles s’affrontent les meilleurs « deep learner » de la planète.
Les principales plateformes :
- The Cancer Imaging Archive http://www.cancerimagingarchive.net/
- Grand-Challenge https://grand-challenge.org/All_Challenges/
- Data science Bowl https://www.kaggle.com/c/data-science-bowl-2017
- Dream Challenge http://dreamchallenges.org/
Les sujets couvrent un large panel de tâches à automatiser : détection
et caractérisation lésionnelle en Colon/Prostate/sein/poumon ;
segmentation d’organes ; radiomic …
Les vainqueurs des challenges se partagent jusqu’à
1 000 000 $A. La boite à outils : Les données
Malgré la présence de ressources en open data le nombre d’image disponible reste
faible, de quelques centaine à quelques milliers (< 5000) limitant la puissance des
algorithmes. De très larges bases d’images correctement labellisées ne sont pas
encore disponibles.
Pour s’affranchir de ces limites les chercheurs
élaborent d’autres méthodes :
- Apprentissage non supervisé pur visant à labelliser
automatiquement les données
- Méthode croisant l’analyse automatique des
comptes rendus radiologique (Texte) avec les
images pour réaliser une labellisation automatique.
Ces techniques, bien que prometteuses,
restent du domaine expérimental. Shin et al. IEEE, CPVR 2015B. Se former au Deep learning De multiples ressources existent online permettant d’augmenter sa culture générale (vous venez de le faire ) jusqu’à obtenir une formation diplômante… Citons à titre d’exemple, et du plus simple au plus compliqué : Vidéo Youtube : je vous conseille l’excellent DeeplearningTV, des petites vidée d’animation de 2 à 8 minutes Mooc : - Le mythique cours d’Andrew Ng à Stanford - Le cours de Columbia sur le machine learning - Le cours d’Udemy sur le Deep learning Congrès : Conférence MICCAI et SIIM Formation : ENS, Master Mathématique / Vision / Apprentissage
Limites actuelles…
3 problèmes principaux freinent le Deep Learning en médecine :
1. La difficulté à constituer des larges bases de données labellisées de bonne
qualité
2. L’effet « black box », les critères de décision produits dans l’algorithme n’étant
souvent pas accessibles à notre connaissance, difficile à accepter à l’ère de
l’évidence based radiology.
3. Des considérations légales et éthiques multiples concernant :
- les données de santé
- la sécurité de ces logiciels et la responsabilité en cas de défaillanceTang A, CAR Journal 2018
Remplacement ?
Tang A, CAR Journal 2018
Messages
IA = Réseau de neurones
Tout le monde nous regarde !
Pas magique et complexe
Il faut s’emparer du sujet !
Détecter des éléments
sémiologiquesEnjeux
Implémentation
Cas d’usage
Groupe de Validation
travail
… SFR-IA
Éducation
(JFR 2017)
Impact économique
Éthique et légalRôle majeur à jouer en France – écosystèmes
Mission
Standards Recherche Enseignement
cas d’usage Radiologues – chercheurs
Algorithme – industriels White Paper
Validation clinque
Intégration Workflow Data centerLes acteurs de demain … …. C’est vous !
Conclusion
Et grâce à notre connaissance du sujet vous éviterez ceci
Pour aller vers cela …
Et si le sujet vous intéresse vous retrouverez bientôt
MERCI DE VOTRE
pleins d’information sur le site : ai-radiology.fr
ATTENTIONTang A, CAR Journal 2018
Vous pouvez aussi lire
