Quibim est la nouvelle entreprise star du monde de l’IA appliquée au diagnostic médical. Et c’est de Valence

La startup de valence Quibim a travaillé sur l’analyse et le diagnostic médical basé sur l’intelligence artificielle. Cette société a récemment annoncé une série d’investissement de 50 millions de dollars, un chiffre notable qui permettra l’expansion de sa gamme de produits, le développement de ses modèles d’IA médicaux et son expansion mondiale.

À Simseo, nous avons pu parler à son fondateur, Ángel Alberich-Bayarri (@aalbeich), qui nous a expliqué comment l’entreprise est née et, le plus intéressant, comment l’intelligence artificielle révolutionne le diagnostic médical.

Alberich-Bayarri est de Benicarló, une ville côtière située au nord de la communauté Valencian. Il a étudié l’ingería de télécommunications à Valence, et pendant ses études, il s’intéressait à la vision informatique et à l’analyse d’image, mais s’est concentré sur un domaine spécifique: l’image médicale.

Cela changerait sa vie. Bien qu’il ait travaillé pour d’autres institutions pendant un certain temps, des années plus tard, il a décidé d’entreprendre. Quibim s’est retrouvé avec le docteur Luis Marti-Bonmati, chef de l’opinion en radiologie dans notre pays, bien que ce dernier ait fini par se séparer de l’entreprise.

Au cours de ces premières années, l’accent a été mis sur la recherche et aussi quelque chose qu’il dit pour lui était un apprentissage: « Passer de la recherche au produit« . Il avait publié beaucoup de choses sur les algorithmes appliqués à l’analyse d’image, mais apporter ces découvertes à quelque chose de réel est compliqué, en particulier dans une industrie médicale dans laquelle les normes et la documentation sont très exigeantes.

Malgré cela, Alberich avait un avantage important. Déjà en 2014, il s’est rendu compte que l’application de l’apprentissage en profondeur (Deep Learning, DL) aux problèmes de détection des lésions « a donné beaucoup d’avantages sur les algorithmes traditionnels, j’ai clairement vécu ce changement posé par les réseaux de neurones convolutionnels ».

Pour lui, c’était un tournant. « Soudain, le processus d’un grand nombre de patients pourrait automatiser à 100%. Avant de devoir optimiser par des groupes de patients, mais avec DL, cela pourrait créer quelque chose de très généralisable. « 

Bien sûr: il devait être converti en produit. « D’abord, je voulais créer une plate-forme générique pour lire et analyser différents types d’images pour la neurologie, le foie de la prostate, le sein, etc. », et bien qu’il ait obtenu le marquage CE de la « conformité européenne », il a rencontré un gros problème et une révélation lorsque L’emmener aux États-Unis: ils n’allaient pas certifier quelque chose de générique, mais se concentreraient sur les maladies concrètes.

C’est ainsi que l’un des produits Star Quibim est né, appelé QP-Insights. Il s’agit de la plate-forme de gestion, de stockage et d’analyse des images médicales pour les études cliniques. Avec cet outil, explique-t-il, il est possible de faire « l’exploitation d’image. Avec elle, il est possible de rechercher entre un grand nombre de patients afin qu’ils correspondent à certaines conditions, quelque chose qui pour l’industrie pharmacologique est très intéressant. »

L’entreprise a commencé à développer d’autres produits spécialisés tels que QP-Brain pour les études neurologiques, QP-Fiver pour le diagnostic des maladies hépatiques et en particulier QP-Prostate, qui est son produit le plus important et qui utilise des systèmes d’IA pour la segmentation automatique et le Détection de maladies de la prostate telles que le cancer de la prostate.

Pour cet expert, ce type d’outils sera une aide cruciale dans le diagnostic médical. C’est ce qu’il soulève avec QP-prostate: « La résonance de la prostate, qui se fait en seulement 10 minutes, Il deviendra un test de diagnostic comme la mammographieet avec IA, vous pouvez détecter ce que l’œil humain ne voit pas. « 

Le modèle QP-prostate « a été formé avec les données de biopsie ». Ainsi, ils ont non seulement des données de résonances ou le support de l’étiquetage d’images par les radiologues. Grâce à cela, l’algorithme se démarque, « a appris à diagnostiquer en tant que radiologue, et puisque l’œil a beaucoup de variabilité (les experts médicaux) ont besoin d’un soutien. »

Pour Alberich, c’est crucial, car toutes ces informations accumulées permettent « une valeur très différentielle pour le radiologue ». En fait, explique-t-il, si l’expert voit « une image prédictive propre et négative, cela lui donne très calme: si Quibim me dit qu’il n’y a pas de blessure, c’est qu’il n’y a pas. »

Ces types d’outils d’IA soulèvent ainsi une amélioration remarquable du diagnostic, car jusqu’à présent, « il y a eu des blessures (experts médicaux) n’ont pas pu détecter, et avec cela, ils arrivent ».

Y a-t-il des possibilités de faux positifs? Selon Alberich « Lors de la formation du modèle avec des données de biopsie, il y a une sensibilité élevée et peu positive ».

Rêve jumeau numérique

L’un des domaines dans lesquels Quibim travaille est particulièrement prometteur. Ce sont les jumeaux numériques si appelés. Comme expliqué sur le site officiel de l’entreprise, ce concept a émergé de la NASA au début des années 2000 et est maintenant appliqué dans plusieurs domaines.

Un jumeau numérique « est une représentation virtuelle qui sert de homologue numérique en temps réel d’un objet physique ou, dans le cas des images médicales, du patient ». Avec cette approche, vous pouvez anticiper les réponses au traitement d’un patient, et en fait Alberich souligne que cette méthode est « Parfait pour la prévoyance des maladies« 

Le problème, explique cet expert, « est que dans l’image médicale, nous avons des images du cerveau, du genou, de l’abdomen, mais séparément. C’est une vision fragmentée parce que la technologie de l’image médicale est limitée en termes de résolution et de taille de la vision (FOV) , vous devez donc le voir en parties. « 

Pour lui « l’idéal serait un scanner de résolution élevé (pas de rayons x) », qui offrirait une image complète du corps humain. Normalement, avec la technologie actuelle, ils font de vous une analyse d’une partie du corps parce que c’est ce qui fait mal et à partir de cette image, essayez de diagnostiquer le problème, mais peut-être que le problème n’est pas là, mais ailleurs.

Le problème n’est pas seulement pour réaliser des images de cette qualité et de cette précision, Mais traitez-les. Ces images « seraient très lourdes, ne peuvent pas être formées avec le GPUSS actuel et maintenant vous devrez travailler avec des versions avec une résolution plus petite. »

Même ainsi, il explique: « Nous avons de très bons algorithmes (détection) pour le cerveau, la prostate, le foie ou le poumon. Si nous parvenons à bien caractériser ce qu’est un poumon ou un foie sain, nous obtiendrons une technologie à l’avenir avec laquelle Il est acquis (scan) un organe et le modèle nous dit des choses. « 

Il y a une limitation supplémentaire: le rêve serait d’obtenir une « résolution cellulaire », explique Alberich, mais cela n’est obtenu qu’avec la biopsie. Votre entreprise travaille déjà avec plusieurs partenaires dans le développement d’images moléculaires pour avancer dans cet animal de compagnie (tomographie par émission de positron) de tout le corps.

Le défi n’est pas seulement la technologie, ce sont les données

Il existe un autre obstacle lors du développement de modèles médicaux d’une IA de plus en plus capable: obtenir des données pour les former. Comme l’a expliqué cet ingénieur et entrepreneur, « En médecine, nous n’avons pas de millions d’images« Pour le développement de ces modèles.

Il n’y a pas de base de données centralisée avec ces millions de patients, qui, entre autres, sont des informations délicates et très sensibles. Les hôpitaux, ils nous ont souligné, ne les partagent pas, bien qu’il y ait des initiatives pour commencer à le faire.

Comme il l’a souligné, « pour faire des recherches ou faire des produits, vous avez besoin de données. En deux ans, vous pouvez obtenir 5 000 données, mais cela ne suffit pas pour l’IA. » Ce qui est fait dans ces cas, c’est d’harmoniser la qualité de différents types d’images, mais qui peuvent produire des artefacts qui sont ensuite filtrés avec les mesures de correction SO. « Si dans nos algorithmes, nous détectons quelque chose d’un volume qui n’est pas biologique », a déclaré Alberich, « nous saurons que quelque chose s’est produit. »

Du scepticisme à l’optimisme

En 2021, Alberich nous explique: « Il y avait beaucoup une certaine déception Et un certain mouvement de « est-il utile? »

Cependant, a-t-il ajouté, depuis lors, le marché s’est consolidé, et il y a des entreprises comme Quibim qui ont eu plus de vision et veulent résoudre un gros problème, et les radiologues reconnaissent la valeur de ces initiatives. Comme l’explique notre expert, « la tendance croissante est clairement observée, cette technologie est de plus en plus utilisée dans les hôpitaux espagnols et européens ».

En fait, la technologie Quibim montre déjà une aide très importante pour les experts. Dans une étude clinique menée aux États-Unis et autorisée par la FDA, ils ont montré comment il était possible de détecter le cancer non invasif. Neuf radiologues ont participé aux tests et ont tenté de le détecter sans utiliser de modèles Quibim et de les utiliser. Lorsqu’ils ne les ont pas utilisés, leur taux de réussite était de 79%. Avec des modèles Quibim Ce taux est passé à 90% sans générer plus de faux positifs.

Peut-il finir pour déplacer le radiologue? Pour Alberich « Le radiologue restera essentiel en tant que professionnel car la biologie est très variante et il y a toujours des cas dans lesquels le radiologue est nécessaire. important. « 

Même ainsi, il clarifie: « Oui, je pense que vous pouvez ignorer bon nombre des tests qui sont nécessaires en ce moment et de nombreuses tâches fastidieuses. Par exemple, si nous avons une valeur prédictive très élevée grâce à Quibim, cela permettra à l’expert d’ignorer Ce cas, ce qu’il n’aura pas à faire parce que l’analyse de l’IA est remplie.  » Cela permettra au radiologue de consacrer des heures de travail dans certaines activités. Il peut y avoir moins de radiologues, Alberich se démarque, mais il y aura encore.

Les modèles d’IA ont également un avenir prometteur dans d’autres domaines médicaux, et ici Alberich était clair qu ‘ »une zone dans laquelle le processus peut être considérablement amélioré est dans le développement de médicaments ».

Comme il l’a expliqué, ces technologies peuvent aider à prédire quels patients un médicament fonctionnent et qui ne le fait pas. C’est comme créer des médicaments personnalisés en séparant les patients « en fonction de la façon dont ils fonctionnent pour eux, c’est-à-dire médecine de précision« 

Alberich a expliqué comment lorsque vous concevez une étude clinique, ces données d’analyse effectuées à l’aide de l’IA « vous permettent de sélectionner les patients qui vont aider le médicament le plus et ainsi raccourcir le temps de production ». En fait, il arrive que dans les essais cliniques, les patients soient inclus qui n’en bénéficieront pas et cela implique que le développement du médicament est retardé et qui finit par aider ceux pour qui il a été spécialement conçu.

Pour cet expert, l’avenir est donc prometteur. « Nous sommes en phase de détection. La prochaine grande étape est la prédiction puis la prévention. »

Dans Simseo | L’examen MIR 2025 a été particulièrement difficile cette année. Les modèles IA obtiennent un exceptionnel