Un algorithme capable de repérer les causes et les effets pourrait booster l'IA médicale

Une image de pilules aux couleurs vives Josué Coleman | Unsplash

Comprendre comment le monde fonctionne signifie comprendre les causes et les effets. Pourquoi les choses sont-elles comme ça ? Que se passera-t-il si je fais cela ? Les corrélations vous disent que certains phénomènes vont ensemble. Seuls les liens de causalité vous disent pourquoi un système est tel qu'il est ou comment il pourrait évoluer. Corrélation n'est pas causalité, comme le dit le slogan.

C'est un gros problème pour la médecine, où un grand nombre de variables peuvent être interconnectées. Diagnostiquer les maladies dépend de savoir quelles conditions causent quels symptômes; le traitement des maladies dépend de la connaissance des effets des différents médicaments ou des changements de style de vie. Le démêlage de ces questions épineuses se fait généralement par le biais d'études observationnelles rigoureuses ou d'essais contrôlés randomisés.

Celles-ci créent une mine de données médicales, mais elles sont réparties sur différents ensembles de données, ce qui laisse de nombreuses questions sans réponse. Si un ensemble de données montre une corrélation entre l'obésité et les maladies cardiaques et qu'un autre montre une corrélation entre un faible taux de vitamine D et l'obésité, quel est le lien entre un faible taux de vitamine D et les maladies cardiaques ? Le découvrir nécessite généralement un autre essai clinique.

Comment faire un meilleur usage de ces informations fragmentaires ? Les ordinateurs sont excellents pour repérer les modèles, mais ce n'est qu'une corrélation. Au cours des dernières années, les informaticiens ont inventé une poignée d'algorithmes capables d'identifier des relations causales dans des ensembles de données uniques. Mais se concentrer sur des ensembles de données uniques revient à regarder à travers des trous de serrure. Ce qu'il faut, c'est un moyen d'avoir une vue d'ensemble.

Les chercheurs Anish Dhir et Ciarán Lee de Babylon Health, un fournisseur de soins de santé numérique basé au Royaume-Uni, ont mis au point une technique pour trouver relations causales entre différents ensembles de données . Cela pourrait permettre d'exploiter de vastes bases de données médicales inexploitées à la recherche de causes et d'effets, et éventuellement de découvrir de nouveaux liens de causalité.

Babylon Health propose une application basée sur un chatbot qui vous demande de répertorier vos symptômes avant de répondre avec un diagnostic provisoire et des conseils sur le traitement. L'objectif est de filtrer les personnes qui n'ont pas réellement besoin de consulter un médecin. En principe, le service fait gagner du temps aux patients et aux médecins, permettant aux professionnels de la santé débordés d'aider ceux qui en ont le plus besoin.

Mais l'application a faire l'objet d'un examen minutieux . Les médecins ont averti qu'il manque parfois des signes de maladie grave, par exemple. Plusieurs autres sociétés, dont Ada et Your.MD, proposent également un diagnostic par chatbot, mais Babylon Health s'est distingué par des critiques en partie à cause de ses affirmations exagérées. Par exemple, en 2018, la société a annoncé que son IA pouvait mieux diagnostiquer les conditions médicales qu'un médecin humain. Une étude publiée dans The Lancet quelques mois plus tard a conclu non seulement que c'était faux, mais que il pourrait fonctionner beaucoup moins bien.

Pourtant, les nouveaux travaux de Dhir et Lee sur les liens de causalité méritent d'être pris au sérieux. Il a été évalué par des pairs et sera présenté cette semaine à la conférence respectée de l'Association pour l'avancement de l'intelligence artificielle à New York. En principe, la technique pourrait surcharger le service offert par Babylon Health.

La capacité d'identifier les relations causales dans les données médicales améliorerait l'IA diagnostique derrière son chatbot. Selon Lee, qui travaille également sur l'apprentissage automatique et l'informatique quantique à l'University College London, le fait de justifier les réponses en indiquant la cause et l'effet sous-jacents, plutôt que des corrélations cachées, devrait également donner aux gens plus de confiance dans l'application. La santé est un domaine à haut risque. Nous ne voulons pas déployer une boîte noire, dit-il.

Le duo s'est vite rendu compte qu'il fallait repartir de zéro. Lorsque nous avons regardé, il s'est avéré que personne n'avait vraiment résolu ce problème, dit Lee. Le défi consiste à fusionner plusieurs ensembles de données qui partagent des variables communes et à extraire autant d'informations sur les causes et les effets que possible à partir des données combinées.

La méthode n'utilise pas l'apprentissage automatique mais s'inspire plutôt de la cryptographie quantique, dans laquelle une formule mathématique peut être utilisée pour prouver que personne n'écoute votre conversation. Dhir et Lee traitent les ensembles de données comme des conversations et des variables qui influencent ces ensembles de données de manière causale comme des écoutes clandestines. En utilisant les mathématiques de la cryptographie quantique, leur algorithme peut identifier si ces effets existent ou non.

Ils ont testé le système sur des ensembles de données dans lesquels les relations causales étaient déjà connues, comme deux ensembles mesurant la taille et la texture des tumeurs du sein. L'IA a correctement constaté que la taille et la texture n'avaient pas de lien de causalité l'une avec l'autre, mais que les deux étaient déterminées selon que la tumeur était maligne ou bénigne.

Si les données brutes sont disponibles, selon la paire, leur algorithme peut identifier les relations causales entre les variables aussi bien qu'une étude clinique pourrait le faire. Au lieu de rechercher les causes en exécutant un nouvel essai contrôlé randomisé, le logiciel peut être en mesure de le faire en utilisant les données existantes. Lee admet que les gens auront besoin d'être convaincus et espère que l'algorithme sera au moins utilisé initialement pour compléter les essais, peut-être en mettant en évidence les liens de causalité potentiels pour l'étude. Pourtant, il note que des organismes officiels tels que la Food and Drug Administration des États-Unis approuvent déjà de nouveaux médicaments sur la base d'essais qui ne montrent qu'une corrélation. La manière dont les médicaments passent par des essais contrôlés randomisés est moins convaincante que l'utilisation de ces algorithmes, dit-il.

cacher