Quand l'IA médicale pose des questions éthiques

Il ne va pas être question d’analyser l’article pour en vérifier la validité (le travail serait long et dépasserait le simple cadre de ce billet), mais plutôt de comprendre les concepts principaux qui permettent de saisir l’essentiel du propos.

Un peu de dermato

La dermatologie est la discipline médicale qui s’intéresse aux affections de la peau, des muqueuses (un tissu de surface en continuité avec la peau qui tapisse l’intérieur du corps) et des phanères (ongles et poils dont cheveux). Les dermatologues s’intéressent également à la vénérologie, qui est la spécialité dédiée aux infections sexuellement transmissibles (ou maladies vénériennes), ce qui est moins important pour notre propos.

La peau

La peau est un organe de surface qui tapisse la quasi-totalité de l’extérieur de notre corps (à l’exception des extrémités des doigts recouvertes par les ongles et des yeux, recouverts par la cornée). C’est un organe très exposé aux agressions externes mais c’est également un organe très accessible à l’examen puisqu’il suffit de découvrir le patient pour y avoir un accès direct.

La peau a 3 rôles principaux :

• protéger l’organisme des agressions extérieures par deux mécanismes, la barrière physique qui arrête la majorité des pathogènes et une concentration de cellules immunitaires pour commencer à combattre ceux qui parviendraient à passer malgré tout.
• communiquer à l’organisme (majoritairement au cerveau) des informations sur le milieu extérieur. Les nerfs relaient les informations captées par les récepteurs de la peau telles que le toucher, la température, la douleur ou encore la proprioception¹.
• réguler la température de l’organisme. Ça passe par deux mécanismes, la contraction (quand il fait froid, pour garder la chaleur à l’intérieur) ou la dilatation (quand il fait chaud, pour favoriser l’évacuation de la chaleur vers l’extérieur) des petits vaisseaux sanguins qui parcourent la peau et la production de sueur par les glandes sudoripares (qui permet d’évacuer la chaleur).

Elle est composée de 3 couches (de l’extérieur vers l’intérieur) :

• l'épiderme constitué de cellules (les kératinocytes) serrées les unes contre les autres pour former une barrière physique,
• le derme, constitué de vaisseaux sanguins, de nerfs avec leurs récepteurs, de cellules immunitaires, de follicules pileux, de glandes sudoripares et sébacées…
• l'hypoderme, une couche essentiellement composée de graisse (pour amortir les chocs et tenir chaud) qui laisse passer les différentes structures (vasculaires et nerveuses) vers le derme.

Les lésions de la peau

La dermatologie est probablement l’une des spécialités médicales les plus riches qui soient². Il y a des milliers de diagnostics possibles pour un simple bouton sur la peau en fonction de la couleur, de la forme, du mode d’apparition, de la phase de la lune, de la position de mercure, etc.

Même en excluant les lésions traumatiques (plaies et brûlures), le spectre des possibles en dermatologie est atrocement large : ça va de la simple ecchymose (le bleu de base) au purpura fulminans (des petites taches rouges avec des caractéristiques spécifiques qui signent une atteinte gravissime du système vasculaire, le plus souvent dû à une méningite à méningocoque) en passant par le zona (une éruption cutanée qui suit le trajet d’un nerf, dû à la réactivation d’une infection dormante au virus de la varicelle), l'acné, l'érythème (une rougeur)… Bref, la clinique dermato est loin d’être une sinécure.

Parmi ces lésions, il en existe toutefois des plus graves que d’autres. Si personne ne peut nier que le purpura est indicateur d’un problème le plus souvent sérieux, il s’agit d’un problème d’apparition rapide et dont le traitement a tout intérêt à être très rapide lui aussi. Il existe au contraire des lésions qui se développent lentement ce qui les rend d’office plus susceptibles d’être surveillées par les patients eux-mêmes et légitime donc le développement d’un outil qui leur faciliterait la vie.

Parmi ces lésions, les plus graves sont probablement les cancers de la peau.

Il existe globalement deux types de cancers de la peau :

• le carcinome épidermoïde cutané (keratinocyte carcinoma en anglais) qui touche les kératynocytes, un des principaux types de cellules cutanées. Ce sont les plus fréquents et les moins graves.
• le mélanome (melanoma ou parfois malignant melanoma en anglais) qui se développe aux dépens des mélanocytes, un autre grand type cellulaire de la peau. Ils sont moins fréquents mais beaucoup plus graves.

Ces deux maladies forment des lésions particulières qui sont toutefois très ressemblantes à d’autres maladies parfaitement bénignes pour qui n’a pas l’œil averti (n’importe qui qui n’est pas dermato en gros) : vous avez probablement déjà entendu dire que les grains de beauté (ou nævi, des tumeurs bénignes de mélanocytes) peuvent évoluer en mélanome et qu’il faut donc les surveiller.

Faire la différence nécessite toutefois l’avis d’un spécialiste, et c’est précisément ce que l’article auquel nous nous intéressons se propose de bousculer en permettant à chacun de faire son suivi grâce à un algorithme de réseau de neurones avec une fiabilité comparable à celle d’un spécialiste.

Mais qu’est-ce que c’est un réseau de neurone ? Très bonne question !

L’apprentissage automatique

On a tous entendu des mots très à la mode comme Machine Learning ou Deep Learning. Récemment, des algorithmes de Deep Learning comme AlphaZero nous ont bluffé en parvenant à battre les meilleurs joueurs de Go (un jeu de stratégie dans lequel, jusqu’à il y a peu, les joueurs professionnels restaient très nettement au-dessus des programmes informatiques) et les meilleurs programmes d’échecs (notamment Stockfish, considéré comme le moteur d’échecs le plus puissant du monde, très au-dessus des meilleurs joueurs humains).

Tous ces termes réfèrent finalement au même domaine : celui de l'apprentissage automatique. C’est un domaine de l’informatique (et même de l’intelligence artificielle) qui ambitionne de permettre aux ordinateurs de traiter des données tout en améliorant continuellement (et surtout automatiquement) leurs performances dans le traitement de ces données au fur et à mesure qu’ils les traitent. Autrement dit, l’algorithme devient capable de modifier certains de ses propres composants pour rendre le traitement plus efficace.

On distingue classiquement deux approches : l'apprentissage supervisé et l'apprentissage non supervisé.

Dans l’apprentissage supervisé, on donne à l’algorithme un certain nombres d’entrées (par exemple des images) et on lui programme une tâche (comme par exemple classer ces images en fonction de la forme qu’il reconnaît dessus). En plus de ça, on lui donne également des images de référence qui sont déjà classées (soit par un être humain, soit par un autre algorithme) qui lui permettent de s’entraîner et d’optimiser ses propres performances. Les classes existent donc au préalable.

Dans l’apprentissage non supervisé, l’algorithme est complètement lâché dans la nature. On lui donne des images et on le laisse se débrouiller pour les classer en fonction de catégories qu’il va devoir définir par lui-même.

L’apprentissage supervisé est beaucoup plus précis et beaucoup plus efficace puisque l’algorithme a un cadre de référence. En revanche, l’apprentissage non supervisé est beaucoup imaginatif et permet parfois de trouver des regroupements ou des corrélations auxquelles on n’aurait pas pensé à la base.

Bref, à chaque approche ses objectifs. Dans notre cas, nous avons des classes déjà existantes (qui sont les différentes maladies) et nous recherchons la performance du tri plutôt que la découverte de nouvelles classes. Notre choix s’oriente donc assez naturellement vers l’apprentissage supervisé.

Les réseaux de neurones convolutifs

C’est le nom de l’algorithme choisi par les auteurs pour mener à bien leur étude, il est spécialisé dans le traitement d’images. Ils ont utilisé Google Inception V3, un réseau de neurone convolutif développé par Google. Mais avant d’expliquer comment ils l’ont utilisé, essayons de comprendre ensemble quels sont les grands principes de cet algorithme.

Les réseaux de neurones

Les réseaux de neurones sont des algorithmes d’apprentissage supervisé extrêmement populaires. La théorie initiale (même si elle s’en est quelque peu éloignée depuis) s’inspire du fonctionnement des neurones biologiques.

Pour un réseau de neurones informatiques, l’idée est assez similaire. L’algorithme va recevoir une entrée sous forme de données informatiques et va lui appliquer un traitement (qui est une fonction mathématique) afin de générer une sortie. La fonction qui est utilisée est soumise à un certain nombre de paramètres que l’on peut faire varier afin de modifier la sortie.

Et c’est précisément tout l’intérêt du réseau de neurones : à l’aide d’un système de validation, il va pouvoir comparer la sortie qu’il génère avec le classement de référence qu’on lui a donné (souvenez-vous qu’on est bien dans le cadre d’un apprentissage supervisé) afin d’optimiser ses paramètres pour avoir une sortie la plus proche possible de la référence.

L’algorithme de réseau de neurones le plus simple s’appelle le perceptron. C’est un algorithme à une couche dans lequel il y a des neurones d’entrée (un par paramètre) et des neurones de sorties (un par classe). Chaque entrée est liée à chaque sortie ainsi, pour une image donnée, le perceptron donne pour chaque classe une probabilité que l’image appartienne ou non à cette classe en fonction des paramètres considérés.

Mais il existe maintenant des réseaux de neurones à plusieurs couches qui permettent d’effectuer des traitements intermédiaires afin d’augmenter encore plus leur efficacité à classer des images. Ces couches intermédiaires forment alors ce qu’on appelle des réseaux de neurones profonds, d’où l’appellation de Deep Learning.

Utilisation du réseau de neurones dans l’étude

Comme je vous l’ai dit, des réseaux de neurones, il en existe de plein de types différents afin de résoudre plein de problèmes différents. En l’occurrence, notre problème à nous c’est de faire du traitement d’image et pour cela, nous allons utiliser un type de réseau de neurones particulièrement adapté : le réseau de neurones convolutif.

Un réseau de neurones convolutif, c’est un réseau de neurones qui utilise un opérateur mathématique qui s’appelle le produit de convolution et qui permet entre autres d’appliquer des filtres sur les images. L’un de ces filtres est un filtre de comparaison qui permet de comparer l’image avec un ensemble de références (que l’on appelle features en anglais). La présence ou non de certaines de ces références permet alors de classer l’image dans une des catégories, ou, pour être un peu plus précis, permet à l’algorithme de donner une probabilité d’appartenance de l’image à chaque catégorie.

Comme je vous l’ai dit un peu plus haut, l’algorithme de réseau de neurones convolutifs utilisés pour l’étude s’appelle Google Inception V3 et voici à quoi il ressemble :

Ce réseau de neurones est constitué d’un très grand nombre de blocs, parmi lesquels³ :

• des blocs de convolution, très nombreux, qui constituent le cœur du système (on a vu l’utilité un peu plus haut),
• des blocs de pooling (AvgPool et MaxPool) qui consistent à réduire la taille des images (Avg pour average, c’est-à-dire en faisant une moyenne et max pour maximum c’est-à-dire en prenant des maxima locaux),
• des blocs de concaténation (Concat) qui permettent de regrouper les résultats de plusieurs convolutions faites en parallèle et qui permet également de corriger un certain nombre de résultats par une méthode d’activation linéaire,
• un bloc dropout qui permet d’éliminer le produit de certaines analyses pour optimiser l’ensemble,
• les blocs fully connected et softmax sont chargés, à partir des différentes références, de produire pour chaque classe une probabilité que l’image à d’appartenir à cette classe. Ils sont également capables de tenir compte des itérations précédentes pour optimiser les paramètres et se rapprocher autant que possible de la cible.

L’algorithme a été pré-entraîné par Google sur 1,28 millions d’images de toutes sortes (classées dans 1000 catégories, n’ayant rien à voir avec la dermato) ce qui permet à l’algorithme d’avoir une base en matière de traitement d’images et de ne pas partir de rien, ce qui serait très coûteux en temps de calcul. Ces images permettent notamment à l’algorithme d’apprendre à tenir compte des différences d’angle, de zoom ou encore d’exposition entre les images.

En utilisant un apprentissage par transfert (transfer learning en anglais), l’équipe a réutilisé ce réseau de neurones déjà entraîné puis l’a adapté à ses propres besoin pour pouvoir analyser pas moins de 129 450 images de lésions dermatologiques à classer dans 757 catégories différentes obtenant une sensibilité (la capacité à correctement classer dans une pathologie les lésions qui relèvent effectivement de cette pathologie) et une spécificité (la capacité à ne pas classer dans une pathologie les lésions n’en relevant pas) proches de celles d’un dermatologue.