Pourquoi la révolution de l’IA médicale n’aura-t-elle peut-être jamais lieu ?

Les déve­lop­pe­ments actuels des appli­ca­tions médi­cales de l’intelligence arti­fi­cielle (IA) ont été décrits par beau­coup comme une « révo­lu­tion médi­cale ». Pour­tant, même si les pro­grès de l’apprentissage auto­ma­tique (Machine Lear­ning) — et plus par­ti­cu­liè­re­ment de l’apprentissage pro­fond (Deep Lear­ning) — changent pro­fon­dé­ment les méthodes, par­ler  d’une « révo­lu­tion » serait sans doute trom­peur. De plus, même si elle est sédui­sante, l’idée sug­gère que la méde­cine est tenue d’adhérer à un chan­ge­ment de para­digme orien­té autour de la tech­no­lo­gie disponible.

Au contraire, la façon dont l’IA modi­fie la méde­cine pour­rait être orien­tée par un effort plus col­lec­tif des per­sonnes impli­quées. Si tel était le cas, la trans­for­ma­tion réelle serait un chan­ge­ment conti­nu pour les décen­nies à venir, plu­tôt qu’un chan­ge­ment ins­tan­ta­né. En tant que telle, l’adoption de l’IA à des fins médi­cales ne sera pro­ba­ble­ment pas la « révo­lu­tion » pro­mise. Voi­ci pourquoi.

La méde­cine de pré­ci­sion est un effort de longue date qui vise à exploi­ter les don­nées pour amé­lio­rer les trai­te­ments. Karl Pear­son et Fran­cis Gal­ton ont été les pre­miers, à la fin du XIX^e siècle, à col­lec­ter des don­nées dans le but expli­cite de les ana­ly­ser sta­tis­ti­que­ment. Depuis, le Natio­nal Ins­ti­tutes of Health (NIH) des États-Unis a mis au point, au cours de la seconde moi­tié du XX^e siècle, un large éven­tail de méthodes sta­tis­tiques pour la méde­cine de pré­ci­sion. Le pro­jet Génome Humain de 2000 ain­si que le déve­lop­pe­ment de maté­riels et de logi­ciels plus avan­cés pour sou­te­nir l’IA peuvent donc être consi­dé­rés comme une conti­nui­té de ces efforts.

L’IA arrive comme une conti­nui­té des tech­no­lo­gies pré­cé­dentes, plu­tôt que comme une révo­lu­tion immédiate. 

Par­mi tous les exemples d’IA en méde­cine, la radio­lo­gie en est un pro­bant. Cette dis­ci­pline s’est déve­lop­pée avec la décou­verte des rayons X en 1895 par Wil­helm Rönt­gen, lau­réat du prix Nobel. Pen­dant près de cin­quante ans, la radio­gra­phie a été la seule tech­nique d’imagerie médi­cale non inva­sive : au fil du temps, le gain de pré­ci­sion et la faci­li­té d’utilisation en ont fait l’un des pre­miers choix pour le diag­nos­tic. Par exemple, les chi­rur­giens avaient l’habitude de diag­nos­ti­quer l’appendicite uni­que­ment par le tou­cher, mais c’est aujourd’hui le CT scan (tomo­den­si­to­mé­trie) qui est le choix pri­vi­lé­gié. Comme pour la méde­cine de pré­ci­sion, l’IA s’inscrit dans la conti­nui­té de ces évo­lu­tions, comme l’a fait l’introduction de tech­no­lo­gies anté­rieures, plu­tôt que dans une « révo­lu­tion » immédiate.

La radio­lo­gie est l’une des — si ce n’est la — pre­mières dis­ci­plines médi­cales dans laquelle la nou­velle géné­ra­tion d’outils d’IA est com­mer­cia­li­sée. Les pre­miers articles scien­ti­fiques détaillant des preuves de concept uti­li­sant l’apprentissage pro­fond sur des radio­gra­phies ont été publiés au début des années 2010. À pré­sent, une décen­nie plus tard, les pre­miers outils arrivent sur le mar­ché. Com­ment est-ce arri­vé ? En par­tie parce que la tech­no­lo­gie a mûri, mais aus­si car des chan­ge­ments néces­saires ont été effec­tués au niveau administratif.

Même si cela fait cinq ans que cer­taines appli­ca­tions de cette tech­no­lo­gie ont été déve­lop­pées, il aura fal­lu beau­coup de temps et d’investissements non seule­ment pour construire l’IA, mais encore pour obte­nir l’autorisation des ins­ti­tu­tions régle­men­taires per­met­tant de l’utiliser. Aujourd’hui, ces auto­ri­sa­tions sont déli­vrées plus rapi­de­ment — par­fois, c’est sim­ple­ment une ques­tion de plu­sieurs mois – car les deux par­ties ont appris à prou­ver la vali­di­té de ses appli­ca­tions. Néan­moins, les ache­teurs et les uti­li­sa­teurs doivent encore véri­fier l’utilité de l’outil dans leur contexte de tra­vail — c’est-à-dire les besoins des patients et l’évolution des pra­tiques dans les hôpitaux.

En outre, les hôpi­taux doivent trou­ver des fonds pour payer les outils d’IA ; comme ils s’apparentent à de nou­velles pra­tiques, il n’y a sou­vent pas de bud­get en place pour les ache­ter. Un hôpi­tal peut mettre un an ou plus dans les pro­ces­sus admi­nis­tra­tifs avant d’acquérir une IA et, bien que les ins­ti­tu­tions de régle­men­ta­tion aient pu vali­der la sécu­ri­té d’un pro­duit, il reste peu de cas où ces dis­po­si­tifs sont rem­bour­sés. Plus la nou­veau­té est grande – ou plus le poten­tiel « révo­lu­tion­naire » est éle­vé – plus les bar­rières s’élèvent dans le milieu médi­cal en rai­son de sa pru­dence et de son atten­tion à la sécu­ri­té. Le sys­tème médi­cal recherche la pré­ci­sion, anta­go­niste de l’incertitude des innovations.

Le déploie­ment des appli­ca­tions de l’IA médi­cale est éga­le­ment limi­té par les carac­té­ris­tiques inhé­rentes à la tech­no­lo­gie. Pour com­men­cer, des don­nées doivent être pro­duites, et les cadres juri­diques rendent la créa­tion de votre propre ensemble de don­nées très com­pli­quée — sans par­ler du temps et de l’argent néces­saires. Dans de nom­breux cas, les déve­lop­peurs optent pour une « uti­li­sa­tion secon­daire ». Ce terme désigne les don­nées qui n’ont pas été pro­duites à l’origine pour l’usage auquel elles sont des­ti­nées, comme les diag­nos­tics ou les papiers admi­nis­tra­tifs. Cepen­dant, cela signi­fie que des efforts sont néces­saires pour net­toyer les don­nées, tout ceci en fai­sant face à de nom­breux obs­tacles : RGPD, accès aux auto­ri­sa­tions, moné­ti­sa­tion, etc.

En outre, l’obtention de l’ensemble de don­nées n’est qu’une étape impor­tante par­mi tant d’autres. Des experts médi­caux sont néces­saires pour éti­que­ter les don­nées et aider les déve­lop­peurs à don­ner un sens aux résul­tats. De nom­breuses ité­ra­tions entre le trai­te­ment des don­nées et les modèles sont néces­saires avant de par­ve­nir à un résul­tat valide. Une règle empi­rique estime qu’une preuve de concept en IA est consti­tuée à 80 % de pré­trai­te­ment des don­nées et 20 % de modé­li­sa­tion. Ajou­tez à cela l’obtention de l’ensemble des don­nées men­tion­née ci-des­sus, néces­saire pour les orga­nismes de régle­men­ta­tion ain­si que pour les uti­li­sa­teurs qui doivent éga­le­ment être convaincus.

Enfin, le champ d’application fonc­tionne mieux lorsque les tâches effec­tuées sont étroites. Plus le champ est large, plus le déve­lop­pe­ment est com­pli­qué et incer­tain. Par exemple, les appli­ca­tions actuelles en radio­lo­gie sont sou­vent limi­tées à la détec­tion d’une zone d’intérêt spé­ci­fique dans le corps. La plu­part du temps, les résul­tats sont des faux posi­tifs et les cas com­pli­qués sont rare­ment trai­tés — comme les pro­thèses mam­maires qui bloquent sou­vent l’analyse de l’IA en mammographie.

L’adoption pré­coce de l’IA en radio­lo­gie appa­raît dans un conti­nuum de nou­velles pra­tiques. D’un côté, l’IA rem­place par­tiel­le­ment le radio­logue : cer­tains ser­vices d’urgence pour­raient uti­li­ser ces outils pour trai­ter les patients qui arrivent lorsqu’il n’y a pas de radio­logue de garde pou­vant véri­fier les résul­tats plus tard. D’autre part, si l’IA sert à des fins de triage, elle pour­rait être uti­li­sée comme deuxième avis pour évi­ter un faux néga­tif. La dif­fé­rence d’utilisation pour­rait déter­mi­ner ce que l’on attend de l’outil — la pré­ci­sion, le rap­pel et d’autres para­mètres seraient cali­brés selon les besoins.

Le sys­tème médi­cal recherche la pré­ci­sion, anta­go­niste de l’incertitude des innovations.

Ces ques­tions, et les pro­blèmes connexes comme la res­pon­sa­bi­li­té de l’utilisateur, ne sont tou­jours pas abor­dés offi­ciel­le­ment. Alors que les réponses qui pour­raient être don­nées à ces ques­tions affec­te­raient le déve­lop­pe­ment et l’utilisation de l’IA. En effet, on constate que le recours aux outils et à l’automatisation dimi­nue l’expertise. Si aujourd’hui les radio­logues seniors peuvent dis­tin­guer le vrai du faux dans l’analyse de l’IA, ce n’est pas le cas des moins expé­ri­men­tés. En conti­nuant à s’y fier, les jeunes géné­ra­tions pour­raient deve­nir plus dépen­dantes et moins cri­tiques vis-à-vis de leurs résul­tats, ce qui pour­rait se faire au pro­fit d’autres compétences.

Pen­ser qu’il y a une « révo­lu­tion » dont nous ne pou­vons pas influen­cer le cours d’action pose des limites. La façon dont les appli­ca­tions de l’IA se déve­loppent a peut-être plus à voir avec les contraintes actuelles des ser­vices de san­té — manque de per­son­nel, de finan­ce­ment et de res­sources — qu’avec les appli­ca­tions opti­males pour la méde­cine en géné­ral. Néan­moins, des com­mis­sions sont for­mées¹ au niveau natio­nal et inter­na­tio­nal pour régle­men­ter ces ques­tions. D’autres formes de déci­sion col­lec­tive pour­raient éga­le­ment être mises en œuvre, comme les « com­mu­nau­tés d’enquête » déve­lop­pées par les prag­ma­tiques comme pierre angu­laire de la vie démo­cra­tique².

Les argu­ments four­nis ci-des­sus ne dis­cré­ditent pas entiè­re­ment la pos­si­bi­li­té de voir appa­raître une appli­ca­tion dis­rup­tive de l’IA qui « révo­lu­tion­ne­rait » les soins médi­caux. Ils tentent tou­te­fois de repla­cer les évo­lu­tions actuelles dans leur contexte et de les ins­crire dans le pro­ces­sus d’innovation tra­di­tion­nel de ces soins, qui dure depuis des décen­nies. Et, plus impor­tant encore, ils montrent que la tran­si­tion n’est pas condam­née à évo­luer uni­que­ment sur la base de la tech­no­lo­gie — la len­teur de l’adoption de ces inno­va­tions laisse la place à une action col­lec­tive sur la manière dont l’IA est uti­li­sée en médecine.