Entraîner des modèles d'IA pour répondre à la question « et si ? »  des questions pourraient améliorer les traitements médicaux

Entraîner des modèles d'IA pour répondre à la question « et si ? » des questions pourraient améliorer les traitements médicaux

Les machines peuvent apprendre non seulement à faire des prédictions, mais aussi à gérer les relations causales. Une équipe de recherche internationale montre comment cela pourrait rendre les traitements médicaux plus sûrs, plus efficaces et plus personnalisés.

Les techniques d’intelligence artificielle peuvent être utiles pour de multiples applications médicales, telles que la radiologie ou l’oncologie, où la capacité à reconnaître des modèles dans de grands volumes de données est vitale. Pour ces types d’applications, l’IA compare les informations à des exemples appris, tire des conclusions et fait des extrapolations.

Aujourd’hui, une équipe internationale dirigée par des chercheurs de la Ludwig-Maximilians-Universität München (LMU) et comprenant des chercheurs de l’Université de Cambridge explore le potentiel d’une branche relativement nouvelle de l’IA pour le diagnostic et la thérapie.

Les chercheurs ont découvert que l’apprentissage automatique (ML) causal peut estimer les résultats du traitement, et ce, mieux que les méthodes d’apprentissage automatique généralement utilisées jusqu’à présent. L’apprentissage automatique causal permet aux cliniciens de personnaliser plus facilement les stratégies de traitement, ce qui améliore individuellement la santé des patients.

Les résultats, rapportés dans la revue Médecine naturellesuggèrent comment l'apprentissage automatique causal pourrait améliorer l'efficacité et la sécurité de divers traitements médicaux.

L'apprentissage automatique classique reconnaît les modèles et découvre les corrélations. Cependant, le principe de cause à effet reste en règle générale fermé aux machines ; ils ne peuvent pas répondre à la question du pourquoi. Lorsque l'on prend des décisions thérapeutiques pour un patient, le « pourquoi » est essentiel pour obtenir les meilleurs résultats.

« Développer des outils d'apprentissage automatique pour répondre au « pourquoi ? » et « et si ? » ces questions donnent du pouvoir aux cliniciens, car elles peuvent renforcer leurs processus de prise de décision », a déclaré le professeur Mihaela van der Schaar, auteur principal, directeur du Cambridge Center for AI in Medicine. « Mais ce type d'apprentissage automatique est bien plus complexe que l'évaluation des risques personnalisés. »

Par exemple, lorsqu’on tente de déterminer des décisions thérapeutiques pour une personne présentant un risque de développer un diabète, l’apprentissage automatique classique viserait à prédire la probabilité qu’un patient donné présentant une série de facteurs de risque développe la maladie.

Avec le ML causal, il serait possible de déterminer comment le risque change si le patient reçoit un médicament antidiabétique ; c'est-à-dire évaluer l'effet d'une cause. Il serait également possible d’estimer si la metformine, le médicament couramment prescrit, serait le meilleur traitement ou si un autre plan de traitement serait préférable.

Pour pouvoir estimer l’effet d’un traitement hypothétique, les modèles d’IA doivent apprendre à répondre « et si ? des questions. « Nous donnons à la machine des règles pour reconnaître la structure causale et formaliser correctement le problème », a déclaré le professeur Stefan Feuerriegel du LMU, qui a dirigé la recherche. « Ensuite, la machine doit apprendre à reconnaître les effets des interventions et à comprendre, pour ainsi dire, comment les conséquences réelles se reflètent dans les données introduites dans les ordinateurs. »

Même dans les situations pour lesquelles des normes de traitement fiables n'existent pas encore ou dans lesquelles les études randomisées ne sont pas possibles pour des raisons éthiques car elles contiennent toujours un groupe placebo, les machines pourraient toujours évaluer les résultats potentiels du traitement à partir des données disponibles sur les patients et formuler des hypothèses pour d'éventuels plans de traitement. c’est ce que les chercheurs espèrent.

Avec de telles données réelles, il devrait généralement être possible de décrire les cohortes de patients avec toujours plus de précision dans les estimations, rapprochant ainsi les décisions thérapeutiques individualisées. Bien entendu, le défi demeurerait de garantir la fiabilité et la robustesse des méthodes.

« Le logiciel dont nous avons besoin pour les méthodes causales d'apprentissage automatique en médecine n'existe pas directement », explique le professeur Feuerriegel. « Une modélisation complexe du problème concerné est nécessaire, impliquant une collaboration étroite entre les experts en IA et les médecins. »

Dans d'autres domaines, comme le marketing, explique le professeur Feuerriegel, les travaux sur le ML causal sont déjà en phase de test depuis quelques années. « Notre objectif est de rapprocher les méthodes de la pratique », a-t-il déclaré. Le document décrit la direction dans laquelle les choses pourraient évoluer dans les années à venir. »

« Je travaille dans ce domaine depuis près de 10 ans, travaillant sans relâche dans notre laboratoire avec des générations d'étudiants pour résoudre ce problème », a déclaré le professeur van der Schaar, affilié aux départements d'ingénierie, de mathématiques appliquées, de physique théorique et de médecine. .

« Il s'agit d'un domaine extrêmement complexe de l'apprentissage automatique, et il est très satisfaisant de le voir se rapprocher de l'utilisation clinique, où il responsabilisera à la fois les cliniciens et les patients. »

Le professeur Van der Schaar continue de travailler en étroite collaboration avec des cliniciens pour valider ces outils dans divers contextes cliniques, notamment la transplantation, le cancer et les maladies cardiovasculaires.