Développer des outils d’IA révolutionnaires pour les soins de santé

L’apprentissage par renforcement, une approche d’intelligence artificielle, a le potentiel d’aider les médecins à concevoir des stratégies de traitement séquentiel pour améliorer les résultats pour les patients. Cependant, il nécessite une amélioration significative avant son application clinique, selon une étude récente menée par des chercheurs de l’hôpital Weill Cornell et de l’université Rockefeller.

L’apprentissage par renforcement (RL) est une catégorie d’algorithmes d’apprentissage automatique capables de prendre une série de décisions au fil du -. Responsable des progrès récents de l’IA, notamment des performances surhumaines aux échecs et au Go, le RL peut analyser l’évolution de l’état des patients, les résultats des tests et les réponses antérieures aux traitements pour suggérer la meilleure prochaine étape en matière de soins personnalisés. Cette approche est particulièrement prometteuse pour la prise de décision dans la prise en charge des maladies chroniques ou psychiatriques.

Cette recherche, publiée dans la conférence Proceedings of the Neural Information Processing Systems (NeurIPS) et présentée le 13 décembre, présente « Episodes of Care » (EpiCare), le premier benchmark RL pour le secteur de la santé.

« Les benchmarks ont conduit à des améliorations dans de nombreuses applications d’apprentissage automatique, telles que la vision par ordinateur, le traitement du langage naturel et la reconnaissance vocale. Nous espérons qu’ils contribueront désormais à faire progresser la RL dans les soins de santé », a déclaré le Dr Logan Grosenick, professeur adjoint de neurosciences psychiatriques et directeur de cette recherche.

Les agents RL affinent leurs actions en fonction des commentaires qu’ils reçoivent, apprenant progressivement une politique qui améliore leur prise de décision. « Cependant, nos résultats montrent que même si les méthodes actuelles sont prometteuses, elles nécessitent énormément de données », ajoute le Dr Grosenick.

Les chercheurs ont d’abord testé les performances de cinq modèles RL en ligne de pointe sur EpiCare. Les cinq modèles ont surpassé une norme de soins, mais seulement après avoir été formés sur des milliers, voire des dizaines de milliers, d’épisodes de traitement simulés. En réalité, les méthodes RL ne seraient jamais directement entraînées sur les patients, ce qui a conduit les chercheurs à évaluer ensuite cinq méthodes d’évaluation « hors politique » (OPE) : des approches populaires visant à utiliser des données historiques (issues d’essais cliniques par exemple) pour éviter d’avoir à pour collecter des données en ligne. Grâce à EpiCare, ils ont découvert que même les méthodes OPE les plus avancées ne parvenaient pas à fournir des performances précises pour les données de santé.

“Nos résultats indiquent que les méthodes OPE actuelles ne peuvent pas être considérées comme fiables pour prédire avec précision les performances d’apprentissage par renforcement dans des scénarios de santé longitudinaux”, a déclaré le Dr Mason Hargrave, premier auteur et chercheur à l’Université. Rockefeller. Cette découverte met en évidence l’importance de développer des outils d’analyse comparative plus précis, tels qu’EpiCare, pour évaluer les approches RL existantes et fournir des mesures mesurant l’amélioration.

« Nous espérons que ces travaux faciliteront une évaluation plus fiable de l’apprentissage par renforcement dans les environnements de soins de santé et contribueront à accélérer le développement de meilleurs algorithmes et protocoles de formation adaptés aux applications médicales », a conclu le Dr Grosenick.

Adaptation des réseaux de neurones convolutifs pour interpréter les données graphiques

Dans une deuxième publication présentée le même jour à NeurIPS, le Dr Grosenick a partagé ses recherches sur l’adaptation des réseaux de neurones convolutifs (CNN), largement utilisés pour traiter les images, pour les rendre efficaces pour des données structurées en graphiques, comme les réseaux cérébraux, génétiques ou protéiques. . Le succès des CNN dans les tâches de reconnaissance d’images au début des années 2010 a jeté les bases de l’apprentissage profond et de l’ère moderne des applications d’IA basées sur les réseaux neuronaux.

« Nous sommes souvent intéressés par l’analyse de données d’imagerie cérébrale qui ressemblent davantage à des graphiques, avec des sommets et des arêtes, qu’à des images. Mais nous avons réalisé qu’il n’y avait rien de vraiment équivalent aux CNN pour les données structurées en graphiques », a déclaré le Dr Grosenick.

Les réseaux cérébraux sont généralement représentés sous forme de graphiques dans lesquels les régions du cerveau (représentées par des sommets) transmettent des informations à d’autres régions du cerveau le long de « bords » qui les relient et représentent la force de la communication entre elles. Cela est également vrai pour les réseaux génétiques et protéiques, les données comportementales humaines et animales et la géométrie des composés chimiques comme les médicaments. En analysant directement ces graphiques, nous pouvons modéliser avec plus de précision les dépendances et les modèles entre les connexions locales et plus distantes.

Isaac Osafo Nkansah, associé de recherche qui travaillait dans le laboratoire de Grosenick au moment de l’étude et premier auteur de l’article, a contribué au développement du cadre Quantized Graph Convolution Networks (QuantNets), qui généralise les CNN aux graphiques. « Nous l’utilisons désormais pour modéliser les données EEG (activité électrique cérébrale) des patients. Nous pouvons utiliser un réseau de 256 capteurs répartis sur le cuir chevelu, prenant des mesures de l’activité neuronale — c’est un graphique », a expliqué le Dr Grosenick. « Nous réduisons ces grands graphiques en composants plus interprétables pour mieux comprendre comment la connectivité cérébrale dynamique change à mesure que les patients sont traités pour une dépression ou un trouble obsessionnel-compulsif. »

Les chercheurs envisagent des applications généralisées pour QuantNets. Par exemple, ils cherchent également à modéliser des données de pose structurées sous forme de graphiques pour suivre le comportement des modèles de souris et des expressions faciales humaines extraites par vision par ordinateur.

« Alors que nous sommes encore confrontés à la sécurité et à la complexité de l’application de méthodes d’IA de pointe aux soins aux patients, chaque avancée, qu’il s’agisse d’un nouveau cadre d’analyse comparative ou d’un modèle plus précis, nous rapproche lentement de stratégies de traitement personnalisées avec le potentiel d’amélioration significative. les résultats pour les patients », a conclu le Dr Grosenick.