Alzheimer, Parkinson… « Demain, les IA détecteront des maladies grâce à la biométrie »

L’IA et le machine lear­ning sont déjà uti­li­sés aujourd’hui pour aider au diag­nos­tic des patients. En quoi peuvent-ils être utiles ?

Mou­nîm El Yacou­bi. Tout d’abord, il faut sou­li­gner que le diag­nos­tic ne se résume pas à un simple tri des patients. Il n’existe pas de fron­tière nette entre le « nor­mal » et le « patho­lo­gique ». C’est pour­quoi les méde­cins res­tent maîtres de leurs diag­nos­tics, et que les solu­tions de machine lear­ning ne sont que des aides, qui n’ont pas voca­tion à se sub­sti­tuer aux méde­cins mais à les aider à prio­ri­ser, par exemple.

Néan­moins, aujourd’hui, le machine lear­ning a des choses à appor­ter, notam­ment dans la détec­tion des ano­ma­lies dans les IRM. Ce type de méthode repose sur un appren­tis­sage super­vi­sé à par­tir de mil­lions d’images. Les sys­tèmes arrivent ain­si à repé­rer des ano­ma­lies, avec des taux de clas­si­fi­ca­tion très éle­vés, par­fois plus fins que ceux des médecins.

L’IA peut donc nous ser­vir à aller au-delà des tests actuels ?

En effet. Les méthodes clas­siques de diag­nos­tic, qui s’appuient sur des tests san­guins, sur l’imagerie médi­cale ou sur la mesure d’autres para­mètres bio­lo­giques, essaient de mettre en évi­dence une ano­ma­lie ou les symp­tômes carac­té­ris­tiques d’une pathologie.

Elles fonc­tionnent assez bien, mais ne sont pas par­faites : elles sont sou­vent inva­sives et coû­teuses termes d’é­qui­pe­ment et de per­son­nel. Il faut aus­si que les patients viennent à l’hôpital ou au labo­ra­toire de bio­lo­gie médi­cale. Pour toutes ces rai­sons, les outils de diag­nos­tic basés sur du machine lear­ning, sur des don­nées issues de cap­teurs peu cou­teux et non inva­sifs, inté­ressent le milieu médical.

De votre côté, vous n’exploitez pas des don­nées médi­cales classiques…

Non, en effet. Nous tra­vaillons sur des don­nées dites éco­lo­giques, comme l’écriture manus­crite, la démarche ou la voix.

Pour la mala­die de Par­kin­son, nous menons un pro­jet de recherche euro­péen, en col­la­bo­ra­tion avec l’Institut du Cer­veau et de la Moelle épi­nière. L’objectif est de par­ve­nir à détec­ter dans la voix et les expres­sions du visage du patient des ano­ma­lies typiques de la mala­die, et ce au cours d’un simple appel vidéo. Les per­sonnes souf­frant de ce trouble neu­ro­dé­gé­né­ra­tif pré­sentent en géné­ral une hypo­mi­mie, c’est-à-dire une réduc­tion de l’amplitude des mou­ve­ments expres­sifs, ou des alté­ra­tions de la voix. Nous déve­lop­pons ain­si une méthode de machine lear­ning pour détec­ter auto­ma­ti­que­ment ces signaux, et nous cher­chons à com­pa­rer ses résul­tats aux don­nées d’IRM ou d’autres indi­ca­teurs cli­niques. Nous espé­rons que notre approche pour­ra aider à mieux carac­té­ri­ser les patients et à stra­ti­fier la mala­die, c’est-à-dire à iden­ti­fier des cri­tères per­met­tant de détec­ter des groupes de patients par­kin­so­niens avec des com­por­te­ments dif­fé­rents, qui pour­raient donc être trai­tés par les méde­cins avec des trai­te­ments et des thé­ra­pies différents.

Avec un tel outil, une pre­mière étape diag­nos­tique pour­rait être réa­li­sée sans même avoir à faire venir le patient !

Il s’agit même de don­nées imper­cep­tibles par les médecins !

En théo­rie, le méde­cin pour­rait déce­ler ces signes, mais en pra­tique c’est très com­pli­qué, parce qu’il fau­drait com­pa­rer l’évolution des expres­sions sur plu­sieurs mois. Nous avons déve­lop­pé une approche simi­laire pour la mala­die d’Alzheimer, en col­la­bo­ra­tion avec l’Hôpital Bro­ca, à Paris. Il s’agissait de repé­rer les dégra­da­tions de l’écriture manus­crite, de la voix et de la marche impu­tables à la maladie.

Pour ces tra­vaux sur les mala­dies neu­ro­dé­gé­né­ra­tives, la dif­fi­cul­té consiste à conci­lier spé­ci­fi­ci­té et sen­si­bi­li­té. Nous vou­lons être capables de repé­rer les patients atteints de formes pré­coces sans les confondre avec d’autres troubles neu­ro­lo­giques, comme des troubles cog­ni­tifs légers ou d’autres patho­lo­gies. C’est très délicat.

Les objets connec­tés peuvent-ils vous aider à déployer ces approches ?

Pour le dia­bète de type 2, nous uti­li­sons des cap­teurs de gly­cé­mie connec­tés. Ils per­mettent de lire la gly­cé­mie en conti­nu ; nous n’avons pas besoin de deman­der aux patients de se piquer et nous pou­vons dis­po­ser de valeurs 24 heures sur 24. Nous asso­cions à ces don­nées les infor­ma­tions liées à la prise de repas et d’insuline, que le patient peut nous com­mu­ni­quer grâce à une appli­ca­tion de sui­vi de dia­bète sur smart­phone, ain­si que son acti­vi­té phy­sique, enre­gis­trée via un bra­ce­let connec­té. En com­bi­nant ces infor­ma­tions, nous arri­vons à pré­voir la valeur de la gly­cé­mie (le taux de glu­cose dans le sang).

Il s’agissait de repé­rer les dégra­da­tions de l’écriture manus­crite, de la voix et de la marche impu­tables à la maladie

C’est un véri­table défi car chaque per­sonne a son propre méta­bo­lisme, sa propre géné­tique… Nous avons donc créé des modèles per­son­na­li­sés, fon­dés sur des modèles de « deep lear­ning séquen­tiel ». Ce tra­vail a été l’objet d’une thèse menée par Maxime de Bois, que j’ai codi­ri­gée avec Meh­di Ammi de l’Université Paris-Saclay. Maxime a déve­lop­pé sa tech­nique sur une base de patients syn­thé­tiques, vali­dée par la FDA, l’autorité régle­men­taire amé­ri­caine. Puis il l’a tes­tée auprès de 6 patients en col­la­bo­ra­tion avec le réseau Revesdiab.

Avez-vous ren­con­tré des difficultés ?

Oui, plu­sieurs, mais nous avons su les résoudre. Pour pal­lier le manque de don­nées, nous uti­li­sons une méthode d’apprentissage par trans­fert, qui nous auto­rise à pré-entraî­ner le modèle à par­tir d’autres patients en veillant à ce qu’il génère les para­mètres les plus géné­raux pos­sibles, donc les plus adap­tables à un nou­veau patient.

Pour amé­lio­rer l’acceptabilité du sys­tème auprès des méde­cins, nous avons tenu compte des écarts de pré­dic­tions dans le choix de nos métriques.

Pour expli­quer com­ment notre modèle fonc­tionne, nous avons inté­gré à notre réseau de neu­rones pro­fonds (la méthode d’apprentissage) des couches pour esti­mer le poids de chaque variable dans le temps. Pour chaque pré­dic­tion, nous sommes ain­si capables d’indiquer, à chaque ins­tant, quelle variable (gly­cé­mie, ali­men­ta­tion ou insu­line) a été déter­mi­nante. C’est un aspect aus­si très inté­res­sant car les méde­cins eux-mêmes ne savent pas quel para­mètre est pré­pon­dé­rant à un ins­tant donné.

Est-ce votre seul pro­jet avec des objets connectés ?

Non, nous avons éga­le­ment un pro­jet des­ti­né à amé­lio­rer le diag­nos­tic de l’arythmie car­diaque grâce à un bra­ce­let connec­té qui mesure la rigi­di­té arté­rielle. Il s’agira là aus­si de confron­ter nos résul­tats à ceux obte­nus avec des électrocardiogrammes.

Toutes les don­nées sont bonnes à prendre… Pen­sez-vous que, dans le futur, notre fri­go connec­té pour­ra nous aler­ter d’un risque de com­por­te­ment dépres­sif ?

C’est en effet un bon objet pour repé­rer des chan­ge­ments d’habitudes… On peut ima­gi­ner que ces don­nées puissent être cor­ré­lées à celles d’un smart­phone ou à la nature et les acti­vi­tés sur les sites Inter­net fré­quen­tés. Cela pose­ra un enjeu impor­tant sur la pro­tec­tion des don­nées. Auto­ri­se­rons-nous notre méde­cin à consul­ter les ana­lyses issues de notre fri­go ? Notre moteur de recherche ou nos réseaux sociaux nous pré­vien­dront-ils si notre com­por­te­ment évo­lue dan­ge­reu­se­ment ? On ima­gine que des per­sonnes atteintes de patho­lo­gies chro­niques et qui connaissent des chan­ge­ments de phases, comme les dia­bé­tiques ou les bipo­laires, seraient plus sus­cep­tibles de don­ner un accord éclai­ré à ce type d’approches.

Pour aller plus loin :

• DIGIPD : Vali­da­ting DIGI­tal bio­mar­kers for bet­ter per­so­na­li­zed treat­ment of Parkinson’s Disease, https://​www​.era​per​med​.eu/​w​p​-​c​o​n​t​e​n​t​/​u​p​l​o​a​d​s​/​2​0​2​1​/​0​1​/​N​e​w​s​l​e​t​t​e​r​-​E​R​A​-​P​e​r​M​e​d​_​f​i​n​a​l.pdf, 2021.
• Maxime De Bois, Mou­nim A. El-Yacou­bi, Meh­di Ammi, “Adver­sa­rial mul­ti-source trans­fer lear­ning in heal­th­care : Appli­ca­tion to glu­cose pre­dic­tion for dia­be­tic people,” Com­pu­ter Methods Pro­grams Bio­me­di­cine, 199 : 105874 (2021).
• Maxime De Bois, Mou­nim A. El-Yacou­bi, Meh­di Ammi, “Enhan­cing the Inter­pre­ta­bi­li­ty of Deep Models in Hea­th­care Through Atten­tion : Appli­ca­tion to Glu­cose Fore­cas­ting for Dia­be­tic People,” Inter­na­tio­nal Jour­nal of Pat­tern Recog­ni­tion and Arti­fi­cial Intel­li­gence, to appear, 2021.
• Mou­nîm A. El-Yacou­bi, Sonia Gar­cia-Sali­cet­ti, Chris­tian Kahin­do, Anne-Sophie Rigaud, and Vic­to­ria Cris­tan­cho-Lacroix, « From aging to ear­ly-stage Alz­hei­mer’s : Unco­ve­ring hand­wri­ting mul­ti­mo­dal beha­viors by semi-super­vi­sed lear­ning and sequen­tial repre­sen­ta­tion lear­ning, » Pat­tern Recog­ni­tion, Vol. 86, pp. 112–133, 2/2019.
• Saei­deh Mir­zaei, Mou­nim El Yacou­bi, Sonia Gar­cia-Sali­cet­ti, Jerome Bou­dy, C Kahin­do, V Cris­tan­cho-Lacroix, Hélène Kerher­vé, A‑S Rigaud, “Two-stage fea­ture selec­tion of voice para­me­ters for ear­ly Alz­hei­mer’s disease pre­dic­tion,” IRBM, Vol. 39, No. 6, pp. 430–435, 2018.