DeepMind de Google pourrait inaugurer une nouvelle ère de la médecine

Récemment, les cercles technologiques ont bourdonné d'informations selon lesquelles DeepMind de Google a atteint un niveau d'application encore plus élevé. Fini le temps de jouer au Pong ou aux échecs. Dès 2016, DeepMind commençait à avoir des implications dans les secteurs de la santé. Ces derniers temps, les capacités de DeepMind sont peut-être désormais capables de nous faire entrer complètement dans une nouvelle ère de la médecine. Explorons d'où vient DeepMind, comment il est devenu si intelligent et comment il pourrait bien changer complètement l'avenir de la médecine.

Les origines de DeepMind

DeepMind était une startup de 2010 fondée à l'origine par trois personnes : Shane Legg, Demis Hassabis et Mustafa Suleyman. Dans une interview, Hassabis a noté qu'ils travaillaient sur la technologie de l'intelligence artificielle en choisissant des jeux primitifs des années 1970 et 1980 pour l'IA. Comme si elle sortait de Ready Player One, la machine IA a joué comme Space Invaders, Breakout et même le classique rétro, Pong.

Au fur et à mesure que l'IA a été introduite, elle a appris par le jeu, sans avoir été informé des règles auparavant. Après avoir joué au jeu et échoué pendant un certain temps, l'IA apprendrait et maîtriserait le jeu. Par exemple, cette vidéo illustre l'IA maîtrisant Atari Breakout. Selon un article de Forbes, les processus cognitifs de l'IA seraient « très semblables à ceux qu'un humain n'ayant jamais vu le jeu utiliserait » afin de saisir les concepts clés puis d'en devenir un adepte.

Le jeu comme outil évolutif

AlphaGo, un programme informatique de Go développé par DeepMind, a battu le champion européen de Go Fan Hui (deux dan sur neuf), cinq à zéro en octobre 2015. C'était une étape importante pour la technologie de l'IA, car c'était la première fois qu'un ordinateur avait pu battre un joueur de Go professionnel. La raison derrière cela est le niveau de complexité. Le go est beaucoup plus difficile à gagner pour les ordinateurs - par rapport à d'autres jeux tels que les échecs - en raison d'un large éventail de possibilités, ce qui rend plus difficile pour l'IA d'utiliser des méthodes de recherche exhaustives pour gagner.

Puis, en mars 2016, AlphaGo a battu Lee Sedol (un neuf dan sur neuf), l'un des joueurs de Go les mieux classés au monde dans un match à quatre contre un. L'année suivante, AlphaGo a remporté un match de trois matchs contre Ke Jie qui avait occupé la place de numéro 1 mondial pour Go au cours des deux dernières années. Pour apprendre, l'IA a utilisé des techniques d'apprentissage supervisé, étudiant de nombreux jeux que les humains jouaient les uns contre les autres.

Apprentissage profond de renforcement

La technologie AlphaGo a été créée sur la base de la méthode d'apprentissage profond par renforcement, un type d'apprentissage automatique. Selon un article d'Artificial Intelligence Depot, il "permet aux machines et aux agents logiciels de déterminer automatiquement le comportement idéal dans un contexte spécifique, afin de maximiser ses performances". Lorsque l'IA joue au Go, par exemple, un simple retour de récompense aide l'IA à apprendre de l'expérience et c'est ce qu'on appelle le « signal de renforcement ».

AlphaGo et AlphaGo Zéro

Comme AlphaGo a appris en regardant les autres et en jouant à plus de jeux de Go, il a appris non seulement des échecs, mais aussi des victoires. Ensuite, des données historiques ont été ajoutées à sa connaissance des jeux jusqu'à ce qu'elle ait traité plus de 30 millions de jeux. AlphaGo Zero, une version améliorée, a battu AlphaGo 100 jeux à zéro en 2017. Étonnamment, cet exploit a été possible après seulement trois jours d'apprentissage du jeu par AlphaGo Zero. De plus, AlphaZero, un AlphaGo Zero modifié, est devenu surhumainement doué pour l'apprentissage des échecs et du shogi uniquement par le biais du jeu personnel.

DeepMind Health & Identification des maladies oculaires

En 2016, DeepMind a collaboré avec le Moorsfield Eye Hospital pour développer des applications d'IA pour les soins de santé. Leur objectif était d'améliorer la manière dont les patients sont traités et référés pour des maladies oculaires.

Actuellement, les professionnels de la vue utilisent des tomographies par cohérence optique (OCT) pour faciliter le diagnostic des maladies oculaires. Les scans OCT sont des images 3D qui cartographient la face arrière de l'œil. Ils sont notoirement difficiles à lire et nécessitent une analyse d'experts pour mieux comprendre. Entre le long temps d'analyse et le grand nombre d'analyses par jour (environ 1 000 par jour à Moorfields), le délai entre l'analyse et le traitement peut être assez retardé, même en cas de soins urgents. Malheureusement, cela signifie que s'il y a un problème d'apparition soudaine tel qu'un saignement, le délai entre la numérisation et le traitement peut même coûter la vue à un patient.

L'article de DeepMind rapporte que leur système d'IA « peut interpréter rapidement les scans oculaires de la pratique clinique de routine avec une précision sans précédent », puis recommander des traitements « aussi précisément que les médecins experts de renommée mondiale ». Le système peut détecter la présence d'une maladie oculaire en quelques secondes et hiérarchiser les patients qui ont le plus besoin de soins urgents. Grâce à cette technologie, le temps d'attente entre l'analyse et le traitement sera considérablement réduit, ce qui aidera les personnes à risque et réduira leurs risques de perte oculaire due au laps de temps.

DeepMind Health & Identification des maladies oculaires

Plus tôt cette année, DeepMind s'est associé au Cancer Research UK Imperial Center pour évaluer si la technologie de l'IA pouvait aider les professionnels à diagnostiquer le cancer du sein par mammographie plus efficacement et plus rapidement qu'un professionnel humain. Les travaux se poursuivent alors que DeepMind espère contribuer à l'amélioration de la reconnaissance du cancer du sein, comme il l'a fait pour les maladies oculaires.

Le 4 octobre 2018, un article de DeepMind a annoncé que le projet DeepMind Health était étendu à l'hôpital universitaire de Jikei, l'une des principales institutions médicales du Japon, pour un partenariat de cinq ans. Le but du jumelage est d'analyser les mammographies historiques et anonymisées d'environ 30 000 femmes aux côtés de la base de données historique et anonymisée de mammographie fournie par le Royaume-Uni, afin de voir si la technologie peut localiser plus efficacement les signes de tissu cancéreux sur les radiographies. que les techniques actuelles.

Cependant, la recherche doit être menée avec soin, car un biais peut se produire lorsqu'un système d'IA est formé sur des données qui ne reflètent pas avec précision celles qu'il essaie d'aider ou d'évaluer. Par exemple, il peut y avoir des variations dans la densité mammaire entre les groupes ethniques, un facteur qui pourrait accidentellement amener certaines patientes à être qualifiées de cancéreuses, alors qu'en réalité leur densité était juste plus élevée.

DeepMind & Prédire les maladies oculaires

Tout comme DeepMind Health a utilisé les scans OCT pour noter la présence d'une maladie, les professionnels essaient de voir s'il peut également être utilisé pour prédire une maladie imminente avant qu'elle ne se produise. En analysant 7 000 patients du Moorfield Eye Hospital qui ont reçu un traitement oculaire dans un seul œil, la machine peut essayer de prédire la détérioration de l'autre œil.

Selon un article de DeepMind, "prédire des indicateurs potentiels de maladie est une tâche beaucoup plus compliquée - et informatiquement intense - que d'identifier des symptômes connus existants". Afin de faire correspondre la capacité aux besoins informatiques, DeepMind et Moorfields ont convenu d'utiliser l'infrastructure de cloud computing de Google du Royaume-Uni et des États-Unis.

Pliage des protéines AlphaFold

Récemment, le dernier programme d'IA de DeepMind, AlphaFold, a battu la concurrence lors d'un exploit particulièrement épuisant : prédire les formes 3D des protéines. Bien que cela puisse être peu discuté en dehors des cercles académiques, le repliement des protéines concerne tout le monde. C'est une forme d'« origami moléculaire », comme le dit un article du Guardian. Les scientifiques utilisent généralement la cryomicroscopie électronique, la cristallographie aux rayons X et la résonance magnétique nucléaire pour déterminer les formes des protéines, mais cela dépend d'essais et d'erreurs, de temps et d'argent.

Plus la protéine est grosse, plus il est difficile de modéliser correctement car il y a plus d'interactions à prendre en compte. Par exemple, l'ADN contient des informations sur les acides aminés, qui forment de longues chaînes. Prédire la structure de ces chaînes et la façon dont elles se transforment en formes 3D est le « problème de pliage des protéines ». Comme le note un article de DeepMind, le paradoxe de Levinthal stipule qu'« il faudrait plus de temps que l'âge de l'univers pour énumérer toutes les configurations possibles d'une protéine typique avant d'atteindre la bonne structure 3D ».

Comprendre la forme d'une protéine, c'est faire beaucoup pour comprendre sa fonction. Cet acte seul de repliement des protéines prédit par l'IA pourrait entraîner un processus massif pour les domaines scientifiques et médicaux. Tenez compte du fait que lorsque les protéines s'emmêlent ou se replient, elles peuvent entraîner le diabète, la maladie de Parkinson, la maladie de Huntington, la mucoviscidose et la maladie d'Alzheimer.

L'espoir est que si les scientifiques peuvent prédire la forme d'une protéine à partir de sa composition chimique, ils peuvent déterminer ce qu'elle fait et comment elle peut se plier de manière incorrecte et causer des dommages. De plus, les applications d'IA pourraient même concevoir de nouvelles protéines afin de lutter contre les maladies ou d'accomplir des tâches, ouvrant ainsi la voie à une nouvelle ère de la médecine.