211service.com
L'IA pourrait aider à la prochaine pandémie, mais pas à celle-ci
Les gens violets dans une rue verte Mme Tech / Unsplash
C'est une IA qui l'a vu venir pour la première fois, du moins c'est l'histoire. Le 30 décembre, une société d'intelligence artificielle appelée BlueDot, qui utilise l'apprentissage automatique pour surveiller les épidémies de maladies infectieuses dans le monde, a alerté ses clients - y compris divers gouvernements, hôpitaux et entreprises - d'une augmentation inhabituelle des cas de pneumonie à Wuhan, en Chine. Il faudrait encore neuf jours avant que l'Organisation mondiale de la santé ne signale officiellement ce que nous connaissons tous sous le nom de Covid-19.
BlueDot n'était pas seul. Un service automatisé appelé HealthMap à l'hôpital pour enfants de Boston a également détecté ces premiers signes. Tout comme un modèle géré par Metabiota, basé à San Francisco. Que l'IA puisse détecter une épidémie à l'autre bout du monde est assez étonnant, et les alertes précoces sauvent des vies.
En savoir plus sur le coronavirus
Notre couverture la plus essentielle de covid-19 est gratuite, y compris :
Qu'est-ce que l'immunité collective ?
Qu'est-ce qu'un test sérologique ?
Comment fonctionne le coronavirus ?
Quels sont les traitements potentiels ?
Quels médicaments fonctionnent le mieux?
Quelle est la bonne façon de faire de la distanciation sociale ?
Autres questions fréquemment posées sur le coronavirus
---
Newsletter : Rapport technique sur le coronavirus
Émission Zoom : Radio Corona
Voir également:
Toute notre couverture covid-19
Le numéro spécial covid-19
Veuillez cliquer ici pour vous abonner et soutenir notre journalisme à but non lucratif.
Mais dans quelle mesure l'IA a-t-elle vraiment aidé à lutter contre l'épidémie actuelle ? C'est une question difficile à répondre. Les entreprises comme BlueDot sont généralement discrètes sur les personnes à qui elles fournissent des informations et sur la manière dont elles sont utilisées. Et les équipes humaines disent avoir repéré l'épidémie le même jour que les IA. D'autres projets dans lesquels l'IA est explorée comme outil de diagnostic ou utilisée pour aider à trouver un vaccin en sont encore à leurs tout premiers stades. Même s'ils réussissent, il faudra du temps, voire des mois, pour mettre ces innovations entre les mains des travailleurs de la santé qui en ont besoin.
Le battage médiatique dépasse la réalité. En fait, le récit qui est apparu dans de nombreux reportages et communiqués de presse haletants - selon lequel l'IA est une nouvelle arme puissante contre les maladies - n'est que partiellement vrai et risque de devenir contre-productif. Par exemple, une trop grande confiance dans les capacités de l'IA pourrait conduire à des décisions mal informées qui acheminent l'argent public vers des entreprises d'IA non éprouvées au détriment d'interventions éprouvées telles que des programmes de médicaments. C'est également mauvais pour le domaine lui-même : des attentes exagérées mais déçues ont conduit à un effondrement de l'intérêt pour l'IA et à une perte de financement qui en a résulté, plus d'une fois dans le passé.
Voici donc un rappel à la réalité : l'IA ne nous sauvera pas du coronavirus, certainement pas cette fois. Mais il y a toutes les chances qu'il joue un rôle plus important dans les futures épidémies, si nous apportons de grands changements. La plupart ne seront pas faciles. Certains ne nous plairont pas.
L'IA pourrait aider dans trois domaines principaux : la prédiction, le diagnostic et le traitement.
Prédiction
Des entreprises comme BlueDot et Metabiota utilisent une gamme d'algorithmes de traitement du langage naturel (NLP) pour surveiller les médias et les rapports officiels sur les soins de santé dans différentes langues à travers le monde, indiquant s'ils mentionnent des maladies hautement prioritaires, telles que le coronavirus, ou plus endémiques. comme le VIH ou la tuberculose. Leurs outils prédictifs peuvent également s'appuyer sur les données des voyages en avion pour évaluer le risque que les centres de transit puissent voir des personnes infectées arriver ou partir.
Les résultats sont raisonnablement précis. Par exemple, le dernier rapport public de Metabiota, le 25 février, prévoyait que le 3 mars, il y aurait 127 000 cas cumulés dans le monde. Il a dépassé environ 30 000, mais Mark Gallivan, directeur de la science des données de l'entreprise, affirme que cela reste bien dans la marge d'erreur. Il a également répertorié les pays les plus susceptibles de signaler de nouveaux cas, notamment la Chine, l'Italie, l'Iran et les États-Unis. Encore une fois : pas mal.
D'autres gardent également un œil sur les réseaux sociaux. Stratifyd, une société d'analyse de données basée à Charlotte, en Caroline du Nord, développe une IA qui analyse les publications sur des sites comme Facebook et Twitter et les croise avec des descriptions de maladies tirées de sources telles que les National Institutes of Health, l'Organisation mondiale pour Animal Health et la base de données mondiale des identifiants microbiens, qui stocke les informations de séquençage du génome.
Le travail de ces entreprises est certainement impressionnant. Et cela montre à quel point l'apprentissage automatique a progressé ces dernières années. Il y a quelques années, Google a tenté de prédire les épidémies avec son malheureux Flu Tracker, qui a été abandonné en 2013 lorsqu'il n'a pas réussi à prédire le pic de grippe de cette année-là. Qu'est ce qui a changé? Cela se résume principalement à la capacité du dernier logiciel à écouter un éventail de sources beaucoup plus large.
L'apprentissage automatique non supervisé est également essentiel. Laisser une IA identifier ses propres modèles dans le bruit, plutôt que de l'entraîner sur des exemples présélectionnés, met en évidence des choses que vous n'auriez peut-être pas pensé à rechercher. Lorsque vous faites des prédictions, vous recherchez un nouveau comportement, explique le PDG de Stratifyd, Derek Wang.
Mais que faire de ces prédictions ? La prédiction initiale de BlueDot a correctement identifié une poignée de villes sur le chemin du virus. Cela aurait pu permettre aux autorités de se préparer, d'alerter les hôpitaux et de mettre en place des mesures de confinement. Mais à mesure que l'ampleur de l'épidémie augmente, les prévisions deviennent moins précises. L'avertissement de Metabiota selon lequel certains pays seraient touchés la semaine suivante aurait pu être correct, mais il est difficile de savoir quoi faire de cette information.
De plus, toutes ces approches deviendront moins précises à mesure que l'épidémie progresse, en grande partie parce que les données fiables du type dont l'IA a besoin pour se nourrir ont été difficiles à obtenir sur Covid-19. Les sources d'information et les rapports officiels proposent des récits incohérents. Il y a eu confusion sur les symptômes et la façon dont le virus se transmet entre les personnes. Les médias peuvent exagérer les choses ; les autorités peuvent minimiser les choses. Et prédire où une maladie peut se propager à partir de centaines de sites dans des dizaines de pays est une tâche bien plus ardue que de déterminer où une seule épidémie pourrait se propager au cours de ses premiers jours. Le bruit est toujours l'ennemi des algorithmes d'apprentissage automatique, dit Wang. En effet, Gallivan reconnaît que les prédictions quotidiennes de Metabiota étaient plus faciles à faire au cours des deux premières semaines environ.
L'un des plus grands obstacles est le manque de tests de diagnostic, dit Gallivan. Idéalement, nous aurions un test pour détecter immédiatement le nouveau coronavirus et tester tout le monde au moins une fois par jour, dit-il. Nous ne savons pas non plus vraiment quels comportements les gens adoptent - qui travaille à domicile, qui s'auto-met en quarantaine, qui se lave ou ne se lave pas les mains - ou quel effet cela pourrait avoir. Si vous voulez prédire ce qui va se passer ensuite, vous avez besoin d'une image précise de ce qui se passe en ce moment.
On ne sait pas non plus ce qui se passe dans les hôpitaux. Ahmer Inam de Pactera Edge, un cabinet de conseil en données et IA, affirme que les outils de prédiction seraient bien meilleurs si les données de santé publique n'étaient pas enfermées dans les agences gouvernementales comme c'est le cas dans de nombreux pays, y compris les États-Unis. Cela signifie qu'une IA doit s'appuyer davantage sur des données facilement disponibles telles que les actualités en ligne. Au moment où les médias se penchent sur une condition médicale potentiellement nouvelle, il est déjà trop tard, dit-il.
Mais si l'IA a besoin de beaucoup plus de données provenant de sources fiables pour être utile dans ce domaine, les stratégies pour les obtenir peuvent être controversées. Plusieurs personnes à qui j'ai parlé ont souligné ce compromis inconfortable : pour obtenir de meilleures prédictions grâce à l'apprentissage automatique, nous devons partager davantage de nos données personnelles avec les entreprises et les gouvernements.
Darren Schulte, MD et PDG d'Apixio, qui a construit une IA pour extraire des informations des dossiers des patients, pense que les dossiers médicaux de tous les États-Unis devraient être ouverts à l'analyse des données. Cela pourrait permettre à une IA d'identifier automatiquement les personnes les plus à risque de Covid-19 en raison d'une condition sous-jacente. Les ressources pourraient alors être concentrées sur les personnes qui en ont le plus besoin. La technologie pour lire les dossiers des patients et extraire des informations vitales existe, dit Schulte. Le problème est que ces enregistrements sont répartis sur plusieurs bases de données et gérés par différents services de santé, ce qui les rend plus difficiles à analyser. J'aimerais déposer mon IA dans ce grand océan de données, dit-il. Mais nos données se trouvent dans de petits lacs, pas dans un grand océan.
Les données sur la santé devraient également être partagées entre les pays, déclare l'Inam : les virus n'opèrent pas dans les limites des frontières géopolitiques. Il pense que les pays devraient être contraints par un accord international de publier des données en temps réel sur les diagnostics et les admissions à l'hôpital, qui pourraient ensuite être introduites dans des modèles d'apprentissage automatique à l'échelle mondiale d'une pandémie.
Bien sûr, cela peut être un vœu pieux. Différentes parties du monde ont des règles de confidentialité différentes pour les données médicales. Et nous sommes déjà nombreux à rechigner à rendre nos données accessibles à des tiers. De nouvelles techniques de traitement des données, telles que la confidentialité différentielle et la formation sur des données synthétiques plutôt que sur des données réelles, pourraient offrir une issue à ce débat. Mais cette technologie est encore en train d'être peaufinée. Trouver un accord sur les normes internationales prendra encore plus de temps.
Pour l'instant, nous devons tirer le meilleur parti des données dont nous disposons. La réponse de Wang est de s'assurer que les humains sont là pour interpréter ce que les modèles d'apprentissage automatique crachent, en veillant à rejeter les prédictions qui ne sonnent pas vraies. Si l'on est trop optimiste ou dépendant d'un modèle prédictif entièrement autonome, cela s'avérera problématique, dit-il. Les IA peuvent trouver des signaux cachés dans les données, mais les humains doivent relier les points.
Diagnostic précoce
En plus de prédire le cours d'une épidémie, beaucoup espèrent que l'IA aidera à identifier les personnes qui ont été infectées. L'IA a fait ses preuves ici. Les modèles d'apprentissage automatique pour l'examen d'images médicales peuvent détecter les premiers signes de maladie qui manquent aux médecins humains, des maladies oculaires aux maladies cardiaques en passant par le cancer. Mais ces modèles nécessitent généralement beaucoup de données pour en tirer des enseignements.
Une poignée d'articles préimprimés ont été publiés en ligne au cours des dernières semaines suggérant que l'apprentissage automatique peut diagnostiquer Covid-19 à partir de tomodensitogrammes du tissu pulmonaire s'il est formé pour repérer les signes révélateurs de la maladie dans les images. Alexander Selvikvåg Lundervold de l'Université des sciences appliquées de Norvège occidentale à Bergen, en Norvège, qui est un expert de l'apprentissage automatique et de l'imagerie médicale, dit que nous devrions nous attendre à ce que l'IA puisse éventuellement détecter les signes de Covid-19 chez les patients. Mais on ne sait pas si l'imagerie est la voie à suivre. D'une part, les signes physiques de la maladie peuvent n'apparaître dans les scans qu'un certain temps après l'infection, ce qui la rend peu utile comme diagnostic précoce.
Le Dr Fan Zhongjie, spécialiste des maladies respiratoires en charge des patients critiques atteints de COVID-19 dans la province du Hubei (centre de la Chine), lit une image de tomodensitométrie. Images AP
De plus, étant donné que si peu de données de formation sont disponibles jusqu'à présent, il est difficile d'évaluer l'exactitude des approches publiées en ligne. La plupart des systèmes de reconnaissance d'images, y compris ceux entraînés sur des images médicales, sont adaptés à partir de modèles initialement formés sur ImageNet, un ensemble de données largement utilisé englobant des millions d'images quotidiennes. Selon Lundervold, classer quelque chose de simple proche des données d'ImageNet, comme des images de chiens et de chats, peut être fait avec très peu de données. Des découvertes subtiles dans les images médicales, pas tellement.
Cela ne veut pas dire que cela ne se produira pas - et des outils d'IA pourraient potentiellement être conçus pour détecter les premiers stades de la maladie lors de futures épidémies. Mais nous devrions être sceptiques quant à de nombreuses affirmations des médecins de l'IA diagnostiquant le Covid-19 aujourd'hui. Encore une fois, le partage de plus de données sur les patients aidera, tout comme les techniques d'apprentissage automatique qui permettent de former des modèles même lorsque peu de données sont disponibles. Par exemple, l'apprentissage ponctuel, où une IA peut apprendre des modèles à partir d'une poignée de résultats seulement, et l'apprentissage par transfert, où une IA déjà formée pour faire une chose peut être rapidement adaptée pour faire quelque chose de similaire, sont des avancées prometteuses, mais qui fonctionnent toujours. en cours.
La panacée
Les données sont également essentielles si l'IA doit aider à développer des traitements pour la maladie. Une technique pour identifier les candidats-médicaments possibles consiste à utiliser des algorithmes de conception générative, qui produisent un grand nombre de résultats potentiels, puis les passent au crible pour mettre en évidence ceux qui valent la peine d'être examinés de plus près. Cette technique peut être utilisée pour rechercher rapidement parmi des millions de structures biologiques ou moléculaires, par exemple.
SRI International collabore sur un tel outil d'IA, qui utilise l'apprentissage en profondeur pour générer de nombreux nouveaux candidats-médicaments dont les scientifiques peuvent ensuite évaluer l'efficacité. Cela change la donne pour la découverte de médicaments, mais cela peut encore prendre plusieurs mois avant qu'un candidat prometteur ne devienne un traitement viable .
En théorie, les IA pourraient également être utilisées pour prédire l'évolution du coronavirus. Inam imagine faire tourner des algorithmes d'apprentissage non supervisé pour simuler tous les chemins d'évolution possibles. Vous pouvez ensuite ajouter des vaccins potentiels au mélange et voir si les virus mutent pour développer une résistance. Cela permettra aux virologues d'avoir quelques longueurs d'avance sur les virus et de créer des vaccins au cas où l'une de ces mutations apocalyptiques se produirait, dit-il.
C'est une possibilité excitante, mais lointaine. Nous n'avons pas encore suffisamment d'informations sur la façon dont le virus mute pour pouvoir le simuler cette fois-ci.
En attendant, l'ultime barrière peut être les responsables . Ce que j'aimerais le plus changer, c'est la relation entre les décideurs politiques et l'IA, déclare Wang. L'IA ne sera pas en mesure de prédire les épidémies par elle-même, quelle que soit la quantité de données qu'elle obtiendra. Amener les dirigeants du gouvernement, des entreprises et des soins de santé à faire confiance à ces outils changera fondamentalement la rapidité avec laquelle nous pouvons réagir aux épidémies, dit-il. Mais cette confiance doit provenir d'une vision réaliste de ce que l'IA peut et ne peut pas faire maintenant, et de ce qui pourrait l'améliorer la prochaine fois.
Tirer le meilleur parti de l'IA nécessitera beaucoup de données, de temps et une coordination intelligente entre de nombreuses personnes différentes. Qui sont tous en pénurie en ce moment.