La santé est un secteur où l’apprentissage automatique en périphérie a beaucoup à apporter
L’apprentissage automatique (Machine Learning) compte parmi les technologies les plus transformatrices qui ont émergé au cours de la dernière décennie. Plus il évolue et se répand dans d’innombrables domaines, plus son impact devient évident.
C’est particulièrement vrai dans le domaine de la santé. L’apprentissage automatique est désormais utilisé par des médecins et des professionnels de santé pour sauver des vies et améliorer certaines conditions de vie en détectant et en analysant des maladies avec une rapidité et une précision auxquelles on n’aurait osé songer il y a seulement quelques décennies. En la matière, cette technologie s’est montrée considérablement bénéfique dans le domaine du dépistage du cancer en apportant la possibilité d’identifier et de classer automatiquement les tumeurs.
Bien que l’apprentissage automatique ait déjà offert quelques belles avancées dans le domaine de la santé, il n'est pas encore au maximum de ses capacités. Pour ce faire, les développeurs cherchent à amener cette technologie dans le domaine de l’informatique en périphérie (Edge Computing), mais leur démarche se heurte à un certain nombre d’obstacles. Le présent article de blog traitera de l’application du Machine Learning dans le secteur des soins, avec une attention particulière pour le dépistage du cancer. Nous verrons aussi quels avantages l’informatique en périphérie apporte à ce secteur et comment Edge Impulse a contribué à concrétiser cette solution.
Le principe de base consiste à mettre la technologie au service de l’amélioration de la qualité de vie. S’il y a bien un secteur qui œuvre concrètement en ce sens, il s’agit sans conteste de l’industrie médicale. Dans le cas du dépistage du cancer en particulier, les avantages de l’apprentissage automatique sont on ne peut plus évidents.
Le dépistage du cancer a toujours été un processus long et délicat auquel un professionnel de santé hautement qualifié se doit d’apporter tout le soin et toute l’attention dont il peut faire preuve. Avant de procéder à des interventions ou des examens plus intrusifs, la première étape d’un dépistage consiste souvent en des tests d’imagerie diagnostique visant à examiner la partie du corps où se portent les soupçons. Une fois ces examens réalisés, un médecin ou un radiologue devra passer du temps à analyser manuellement et à interpréter les clichés afin d’identifier tout signe de cancer.
Ce processus peut s’avérer très long et d’éventuelles erreurs (humaines) d’interprétation des images ne peuvent pas être exclues. Dans le pire des cas, le manque de temps et de précision peut entraîner des décès qui auraient pu être évités.
C’est dans ce contexte que l’apprentissage automatique intervient comme une technologie révolutionnaire susceptible de sauver d’innombrables vies. Par rapport à l’approche traditionnelle, le dépistage du cancer s’appuyant sur l’apprentissage automatique peut se passer du professionnel de santé. Dans cette nouvelle approche, plutôt que de laisser un médecin examiner les images, ces dernières sont introduites dans un modèle d’apprentissage automatique entraîné pour la détection de tumeurs et de cancers.
Cette méthode présente des avantages considérables. Tout d’abord, le dépistage du cancer reposant sur l’apprentissage automatique est un processus nettement plus rapide que la méthode traditionnelle. Plutôt que de devoir attendre qu’un médecin extrêmement occupé puisse se libérer pour procéder à l’examen des images, un modèle d’apprentissage automatique peut traiter les images dès qu’elles sont disponibles. De plus, les modèles de classification d’images sont extrêmement précis. Certaines études1 indiquent qu’ils sont même plus précis que la détection réalisée par l’homme. Selon le Dr Hugo Aerts de la Harvard Medical School, « l’IA permet d’automatiser des examens et des tâches actuellement réalisés par des humains, mais qui sont extrêmement chronophages ».
Ainsi, l’apprentissage automatique permet de détecter le cancer avec plus de rapidité et de précision, deux facteurs essentiels lorsque des vies sont en jeu. Davantage de vies peuvent donc être sauvées ou du moins améliorées grâce à cette technologie. Par ailleurs, une fois dispensés d’interpréter les images, les professionnels de santé peuvent consacrer plus de temps à l’étude des traitements, ce qui profite tant aux patients qu’au système de santé.
Malgré l’énorme potentiel qu’offre l’apprentissage automatique dans le domaine de la santé, cette technologie n’est pas encore exploitée au maximum de ses capacités. Parmi les obstacles qui s’y opposent, il y a le fait que la plupart des systèmes médicaux s’appuient sur le Cloud Computing pour effectuer les calculs de l’apprentissage automatique.
En principe, l’apprentissage automatique est une tâche qui réclame beaucoup de puissance de calcul, ce qui implique d’utiliser du matériel dédié comme des GPU et des accélérateurs afin d’opérer avec la plus faible latence possible. Or, de nombreux systèmes médicaux ne disposent pas de telles ressources informatiques et se rabattent sur le Cloud. Les machines d’imagerie médicale envoient alors leurs clichés par une technologie sans fil directement à un centre de données où les opérations de calcul sont effectuées.
Cette méthode pose toutefois quelques problèmes, notamment le fait qu’elle exige une infrastructure robuste et performante pour fonctionner correctement. En effet, les images médicales sont généralement des clichés très détaillés en haute résolution, ce qui en fait des fichiers très lourds. Transférer une telle masse de données vers et depuis un centre de données exige une infrastructure réseau suffisamment performante avec une bande passante capable d’absorber un tel trafic.
Cette procédure est tout à fait réalisable dans le cas des hôpitaux occidentaux, mais la vaste majorité des centres médicaux à travers le monde n’en ont tout simplement pas les moyens financiers. En outre, la technologie sans fil n’est pas universellement disponible, notamment dans certaines régions reculées et dans une partie du tiers monde. Il en résulte qu’une majorité des hôpitaux dans le monde ne peut pas compter sur le Cloud Computing pour réaliser les calculs que nécessite l’apprentissage automatique pour les soins de santé.
Il s'avère donc nécessaire d’implanter l’apprentissage automatique pour les soins de santé en périphérie si l’on souhaite démocratiser cette technologie et sauver la vie de patients où qu’ils se trouvent dans le monde.
En amenant l’apprentissage automatique à la périphérie avec Edge Impulse, des experts en technologie et des entreprises telles que Tiny concentrent leurs efforts pour faciliter l’accès à cette technologie. Tiny, par exemple, développe les modèles TinyML afin de permettre l’exécution de certaines opérations médicales (en particulier le dépistage du cancer) en périphérie. Après avoir envisagé de multiples options, Tiny a finalement retenu Edge Impulse comme étant la meilleure solution.
Habituellement, le déploiement d’un modèle à la périphérie nécessite que les ingénieurs exécutent eux-mêmes chacune des tâches laborieuses jalonnant le flux de travail de l’apprentissage automatique. Cela consiste notamment à collecter et étiqueter les ensembles de données, déterminer l’architecture du modèle, entraîner et quantifier le modèle et générer du code binaire spécifique aux appareils pour la cible périphérique. D’un point de vue commercial, ce processus est loin d’être idéal, car il entraîne des délais importants et nécessite de disposer d’une certaine expertise dans des framework tels que PyTorch ou TensorFlow.
En revanche, Edge Impulse constitue un outil complet et intuitif pour créer et déployer des modèles d’apprentissage automatique, de la collecte de données au déploiement en périphérie. Tiny utilise Edge Impulse pour organiser et étiqueter les données collectées ainsi que pour entraîner et affiner leurs modèles jusqu’à ce qu’ils atteignent une précision cible de 90 %. Ce faisant, Tiny tire avantage du traitement adaptatif et des blocs rapides d’Edge Impulse, ce qui facilite le traitement des données en vue d’obtenir un modèle simple pouvant fonctionner même sur des puces à ressources limitées. Enfin, Tiny a pu générer automatiquement un code binaire spécifique permettant d’effectuer rapidement une inférence d’apprentissage automatique sur du matériel peu performant, mais aussi peu coûteux.
Le principe de la technologie étant d’améliorer notre qualité de vie, aucun autre secteur n’est aussi bien placé que celui de la santé pour réaliser cet objectif.
Les avancées technologiques et l’essor de l’apprentissage automatique ont permis de réaliser d’importants progrès dans le domaine médical et en particulier en ce qui concerne le dépistage du cancer. Cependant, d’importantes limitations d’ordre technologique empêchent encore une bonne partie de la population mondiale d’avoir accès à ces progrès.
Avec Edge Impulse, Tiny travaille à amener en périphérie l’apprentissage automatique utilisé dans le cadre des soins médicaux. L’edge computing permettrait dès lors de démocratiser et de partager cette technologie à travers le monde entier et par conséquent d’améliorer le système de santé et même de sauver des vies.
À propos de l’auteur
Norik Badalyan est ingénieur spécialisé dans les logiciels embarqués et expert en apprentissage automatique embarqué. Il travaille actuellement chez Hi-Tech Gateway en tant qu’ingénieur en microélectronique. Il occupe également un poste d’ingénieur chez Tiny, une start-up de logiciels embarqués et d’apprentissage automatique embarqué dont il est le cofondateur. Tiny s’est donné pour mission de créer à l’intention de divers secteurs de l’industrie des appareils embarquant TinyML. L’entreprise soutient aussi la formation d’étudiants afin de populariser l’usage de TinyML en Arménie et dans le monde entier. Pendant son temps libre, Norik étudie, participe à des événements et à des concours, remporte des prix, passe des certificats, lit et écrit de la poésie.