Et si l'IA permettait au médecin d'exprimer sa dimension humaine ?

Pourquoi devons nous toujours opposer évolution technologique et dimension humaine ?

Et si avec bon sens l'IA nous aidait à regarder le patient dans les yeux et nous dégageait du temps pour s'asseoir, l'écouter plus de 11 secondes et lui expliquer les enjeux de sa maladie, son traitement,..... ?

Article inspiré à la lecture de celui paru ce jour dans mediplanet

Mediplanet 19/09/2018

L’intelligence artificielle (IA) prend une importance considérable en médecine. Des chercheurs de la New York University Medical School viennent de publier une étude étonnante.

 Ces chercheurs ont utilisé un ordinateur capable d’apprendre une tâche sans qu’on lui ait dit comment. C’est ce que l’on appelle le learning machine, qui constitue probablement le type le plus abouti d’intelligence artificielle en ce moment. Cette « machine » est consitutée d’éléments et d’un réseau inspiré de notre système nerveux. Il s’agit ici de Google Inception v3. Cette IA est capable de classer des images avec une précision jamais atteinte jusqu’ici.

 Les investigateurs ont donc voulu savoir ce que ferait l’ordinateur en lui présentant des images de cancers pulmonaires. Globalement, il fait ce qu’il sait faire de mieux : les classer !

Deux catégories en sortent : les adénocarcinomes et les carcinomes squameux avec une précision de …97% ! Quand on connait la difficulté à faire parfois la différence, c’est un fameux score.

 Ce n’est pas tout ! L’IA a également réussi à déterminer 6 gènes défectueux liés aux cancers pulmonaires : EGFR, KRAS, etc. Ce sont autant de mutations qui sont cruciales pour le traitement. La performance est un peu moins bonne : entre 73 et 86%. Sachant que cela concerne 20% des patients avec un adénocarcinome, on comprend l’importance de la précision. Ici l’ordinateur donne le résultat très rapidement quand cela prend parfois des semaines dans un labo conventionnel, selon les auteurs.

 De manière assez amusante, les images mal classées par l’IA l’ont également été par le pathologiste de référence. En revanche, 45 des 54 images mal identifiées par au moins un pathologiste avaient été classées correctement par l’ordinateur. Tant que cela laisse plus de place pour de « l’humain », qui serait contre ?

Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nature médecine 2018