Embed Size (px)
Citation preview
INSTITUT SUPÉRIEUR TECHNOLOGIQUE MONTPLAISIR – VALENCE Diplôme de Technicien Supérieur Imagerie Médicale et Radiologie Thérapeutique
Intelligence artificielle et qualité de soin en radiothérapie
Mémoire présenté par Alexandre ASRI Né le 12 février 1996
Sous la direction de Sophie Lantheaume, Docteur en psychologie En vue de l’obtention du diplôme de Technicien Supérieur Imagerie Médicale et Radiologie
Thérapeutique Promotion 2015-2018
“Machines will be capable, within 20 years, of doing any work a man can do.” “ Les machines seront capables, d’ici une vingtaine d’année, d’accomplir tout ce dont un homme est capable” (Herbert Simon, Déclaré en 1956)
2
Remerciements Lors de la réalisation de ce mémoire, plusieurs personnes m’ont été d’une aide précieuse. J’aimerais leur témoigner toute ma reconnaissance. En premier lieu, je remercie Mme Lantheaume, professeure à l'ISTM. En tant que Directrice de mémoire, elle m'a guidé dans mon travail tout en étant patiente, disponible et m’a souvent aidé à prendre le recul nécessaire. Je remercie aussi Mr Bibault, Praticien Hospitalier à l’hôpital européen Georges-Pompidou, pour sa collaboration en me fournissant des données rares et précises sur l’intelligence artificielle dans le domaine médical actuel. Je remercie ensuite Mme Bodez pour m’avoir fourni les outils nécessaires à mon expérience, m'avoir initié à leur utilisation et avoir grandement participé à celle-ci. Enfin, je souhaite particulièrement remercier Mme Asri et Mr Tamby pour leur aide précieuse à la relecture et à la correction de mon mémoire.
3
Sommaire INTRODUCTION……………………………..………………………………………………………………………………..5 1.PROBLEMATIQUE………………………..…………………………………………………………………..………......7
1.1 - L'Émergence de l’IA dans le milieu médical...………………………..………………………………..7 1.1.1 - L’IA et ses récents développements....…………………….………………………………..7 1.1.2 - Les applications médicales entre bénéfices et dérives ………………….………….....9
1.2 - Développement d’application en radiothérapie………………………………….………………….10 1.2.1 - L’IA appliquée à la radiothérapie …………………………..……….…………………….10 1.2.2 - Utilisation clinique des processus cognitifs de l’IA en radiothérapie……..….11
2. ETUDE………………………………………………………………………….……………………………………………….12
2.1 - Méthodologie……………………………………………………..………………………………………………12 2.1.1 - Population d’étude…………………………….……………………………….…………...…..12 2.1.2 - Outils……………………….…...…………………….……………………………………………...13 2.1.3 - Protocole de recherche préliminaire………………..……………………………………..14 2.1.4 - Protocole de recherche: traitement par un humain…………………..……………..21 2.1.5 - Protocole de recherche: traitement par les intelligences artificielles……........23 2.1.6 - Protocole de recherche: tableau récapitulatif……..…………………………………...25
2.2 - Présentation des résultats…………………………………………………………………………………....26
2.2.1 - Comparatif de traitement humain vs IA simple………………………………….…..26 2.2.2 - Comparatif de traitement humain vs IA simple vs IA optimisée……….….….30
3. ANALYSE ET DISCUSSION………………………………………………………………………………………...34
3.1 - Synthèse de l'expérience……..……………………………………………………………………………….34 3.1.1 - Avantages d’une prise en charge IA…………………………………………..……………34 3.1.2 - Inconvénients d’une prise en charge IA……………………………..……………….....36
3.2 - Commentaire de l’étude……………………………………………………………..……………………….37 3.2.1 - Validation de l'hypothèse…………………………………..………..………………………..37 3.2.2 - Points particuliers de l’étude…………………………………..……………………….…….37 3.2.3 - Forces et faiblesses de l’étude………………………………..…..……..…….……………..38
CONCLUSION……………………..……………………………………………………………………………………………40 RÉFÉRENCES BIBLIOGRAPHIQUES……………………………….…………………………………………...42 ANNEXES………………………………………………………………………………..………………………………………...44
4
Introduction
Je me suis toujours beaucoup intéressé à la technologie, plus particulièrement à ce qui
pouvait passer pour de la science fiction. Ainsi, je me tiens relativement informé sur les domaines
tels que le transhumanisme, la physique quantique, et celui qui nous intéresse ici, l’intelligence
artificielle (IA).
J’ai régulièrement partagé et cultivé cette passion avec d’autres professionnels, la profession
de manipulateur radio baignant dans la technologie. Ce faisant, j’ai constaté à quel point la
pratique de notre métier était soumise aux évolutions scientifiques et technologiques.
Lors de la phase préliminaire de ce mémoire, je me suis interrogé sur les prochaines
évolutions qui organiseront notre profession. C’est ainsi que je me suis lancé dans le vaste domaine
de l’Intelligence Artificielle.
Ce thème pourrait se révéler intéressant pour plusieurs raisons. En effet, il est relativement
obscur pour le grand public malgré de nombreuses applications techniques . Les questions
d’éthique entourant la mise en place d’IA dans le domaine de la santé, gagneraient à être posées alors
que cette technologie progresse énormément aujourd’hui. Enfin, avant d’être implémentée à
grande échelle, il convenait de faire une évaluation de l’apport de tels dispositifs dans la prise en
charge d’un patient. Ce qui m’a amené à la problématique suivante:
“Quel est l’impact de l’intelligence artificielle sur la prise en charge médicale en radiothérapie ?”
L’hypothèse est que l’intelligence artificielle contribue à rendre la prise en charge médicale
en radiothérapie plus optimale. Pour étayer celle-ci, il a été nécessaire de contacter plusieurs centres
utilisant ce type de technologie avant de délimiter l’étude à l’Institut Sainte-Catherine entre le 5
février et le 8 mars. Dans cet intervalle, les modèles furent conçus. Ensuite, fut effectuée la
comparaison de trois prise en charge de dosimétrie en planification inverse pour les traitements de
prostate en IMRT, une réalisée par un humain et deux autres prise en charge faites par les IA.
5
Le plan de cette étude sera divisé en trois parties successives :
Dans la partie problématique, nous allons décrire le cadre théorique de cette étude en deux
points composés respectivement de deux sous-thèmes (L’IA et ses récents développements, Les
applications médicales avec les bénéfices et dérives, l'IA appliquée à la radiothérapie et enfin
l’utilisation clinique des processus cognitifs de l’IA en radiothérapie) qui nous permettront
d’aboutir à notre problématique.
Dans la partie étude, nous détaillerons la méthodologie de notre expérience avant d’en livrer
les résultats.
Dans la partie discussion, nous analyserons et discuterons des résultats mis en lumière dans
la seconde partie par rapport aux enjeux mis en évidence dans la première partie.
6
1. Problématique 1.1 - L'Émergence de l’IA dans le milieu médical
1.1.1 - L’IA et ses récents développements
L’intelligence artificielle est définie par l’ensemble des techniques et théories permettant de
simuler un raisonnement traditionnellement humain car requérant l’utilisation de processus
mentaux de niveau élevé. Il s'agit ici de permettre à un programme d’élucider des problèmes qu’il
serait impossible de résoudre par de simples algorithmes de par leur niveau d’abstraction, en le
dotant d’une certaine rationalité [1].
Bien que la discipline permettant de conceptualiser l’IA ait vue le jour dans les années 50,
son utilisation courante dans de nombreux secteurs fut cantonnée à la science fiction jusqu'à ses
récents développements. En effet, le progrès technique concernant l’informatique et l'essor de
nouveaux processus cognitifs ont récemment permis d’élargir de manière importante les champs
des possibles dans de nombreux domaines dont la radiothérapie qui nous intéresse ici.
Aujourd’hui, nous disposons de méthodes d'entraînement automatique nous permettant
de former des intelligences artificielles à accomplir certaines tâches. Il existe un certain nombre de
modèles d’apprentissage automatique (arbres de décisions, classification naïve bayésienne, machines
à vecteur de support, réseaux neuronaux, apprentissage profond) parmi lesquels il faut choisir le
plus adapté à la tâche que nous voulons inculquer à l’IA. Cependant, nous pouvons dégager
certaines caractéristiques communes à ces modèles. L’IA, lorsqu’elle est soumise à un modèle
d'apprentissage, a besoin dans un premier temps de s’exercer sur des modèles virtuels. Il lui faut
pour cela une importante base de données initiales avec lesquelles elle va pouvoir se former (le Big
data / mégadonnée). La plupart du temps, il existe aussi une intervention humaine lors de cette
étape pour aiguiller l’intelligence artificielle. A mesure que l’IA assimile des données (lors de son
entrainement ou au cours d’une rétro-évaluation de ses performances sur le terrain), elle acquiert
de l'expérience et traite les tâches de plus en plus efficacement. [2] L’un des désavantages d’une IA
entraînée de cette manière, est ce que l’on appelle le phénomène de “boîte noire”: impossibilité de
décoder le fonctionnement interne d’un modèle.
7
La limite principale de l’IA se présente sous la forme d'absence de “sens commun”, cette
faculté qu’ont les humains à transposer les connaissances acquises d’un domaine à l’autre. Ainsi,
une machine entraînée à rechercher un mélanome, laissera passer une autre localisation à laquelle
elle n'aurait pas été confrontée. C’est ici que réside l'intérêt principal du big data. Il est nécessaire
d’exercer initialement la machine sur le plus grand nombre d’informations possibles afin qu’aucune
ne lui soit inconnue [3].
Entrée donnée Intelligence artificielle
(analyse)
Sortie donnée
(résultat)
-Caractéristique
-Prédiction
-Attribut
-Variable
-Algorithme
-Création technique
-Elaboration de modèle
-Rétroévaluation
-Réponses
-Variable dépendante
-Cible
-Classe
Figure 1. Fonctionnement d’un réseau de neurone
8
1.1.2 - Les applications médicales entre bénéfices et dérives
Le domaine médical représente aujourd’hui un secteur pouvant réellement tirer parti de
l’IA. En effet, les professionnels de santé sont confrontés à une surabondance de publications
scientifiques qui rendent impossible l’exploitation complète de toute la somme des connaissances
humaines dans leur domaine d’expertise. C’est ici que l’IA pourrait intervenir en tant qu’outil
d’aide à la décision. En se mettant à jour quotidiennement, grâce aux banques de publication
scientifique, elle permettrait aux professionnels de santé d’être toujours référés aux meilleures
pratiques médicales disponibles. [4]
Aujourd’hui, il existe certaines pathologies dont les causes sont complexes tant au niveau
génétique qu’environnemental. S’il nous est possible d’observer les différents facteurs influents, il
est parfois impossible de les organiser à cause de la trop grande quantité d’information à traiter [5].
Cependant, grâce aux mégadonnées dont nous disposons, par exemple via les dossiers médicaux
informatisés, nous tentons de concevoir des intelligences artificielles capables de mettre en lumière
les modèles permettant à une pathologie de se développer. Ainsi, il serait possible de prédire son
apparition chez un individu ou une population. Les exemples sont variés:
- prédire le développement d’un cancer à partir d’un phénotype et certains facteurs
environnementaux,
- augmenter notre faculté à prédire les éventuelles interactions médicamenteuses à
partir non seulement des données chimiques mais aussi biologiques du sujet [6].
Néanmoins, il existe aujourd’hui des dérives présentes au sein de cette discipline. Au vu du
potentiel et de la jeunesse de cette technologie, il est aisé de passer à côté des grandes questions
éthiques, qui devraient être explorées. Sans surprise, Google est une des entreprises pionnières dans
le domaine de l’IA et entend bien conquérir le marché de la santé. En 2016, une des filiales de ce
groupe nommée “DeepMind Technologies Limited” a annoncé un partenariat avec la “Royal Free
London NHS Foundation” afin de développer un nouvel outil qui aurait dû permettre de détecter,
de manière précoce, les pathologies rénales à partir de l’histoire médicale du patient.
9
Seulement, les Big-data nécessaires à l'entraînement de l’intelligence artificielle requièrent
l’utilisation des dossiers médicaux des patients des hôpitaux dirigés par la NHS foundation.
L'opération s'est déroulée de manière relativement opaque, provoquant ainsi, une levée de bouclier
à l'encontre de cet accord. [7]. Bien que google assure que son intérêt pour les données restait
focalisée sur la détection de pathologie, la politique de collecte de données de l’entreprise a rendu
cet accord ambigu. Des questions éthiques se posent quand à l’usage que l’on pourrait faire d’une
IA ayant collecté des données de santé alors même que le secret médical est l’un des principes
fondamentaux de notre système de santé.
1.2 - Développement d’applications en radiothérapie
1.2.1 - L’IA appliquée à la radiothérapie
La radiothérapie est l’un des domaines ou l’IA tend le plus à se démocratiser. En effet, il
existe déjà des applications qui se développent grâce à deux facteurs précis:
- Premièrement, la généralisation des dossiers médicaux qui permet de générer des profils
phénotypiques précis et exhaustifs.
- Ensuite, les systèmes de radiothérapie enregistrent de manière rigoureuse les traitements au
moment de leurs planifications mais aussi lors de leurs réalisations. Nous pouvons générer
nos big data de ces deux bases de données et ainsi former des IA à les exploiter de différentes
manières.
Alors qu’aujourd’hui les résultats diffèrent d’un centre à l’autre, du fait des compétences et
de l’investissement différent des professionnels, l’utilisation d’une intelligence artificielle promet
notamment de profiter d’une prise en charge optimisée et homogène dans l'intégralité des centres
[8].
10
1.2.2 - Utilisation clinique des processus cognitifs de l’IA en radiothérapie
L’application la plus développée de l’IA dans le domaine de la radiothérapie est dans la
planification inverse du traitement par algorithme. Le placement des faisceaux consomme du
temps, dépend de l'expérience de l’utilisateur et nécessite un compromis entre la préservation des
organes à risque et la couverture des volumes cibles. On transforme l’IA en programme expert grâce
à l’assimilation de nombreux plans de traitement.
Il existe des expérimentations pour le traitement du cancer de la prostate et de la vésicule
séminale pour une dose de 80 Gy en 40 séances. Nous créons d'abord un modèle d'apprentissage à
base d'échantillons de 36 plans de traitement puis nous appliquons notre IA à 125 patients.
Ensuite, nous prenons un échantillon de 116 plans de traitement avec des variables plus larges (zone
étendue, prothèse de hanche, etc) que nous incluons dans notre modèle d’apprentissage [9].
Au final, le premier modèle d’IA se révèle fiable à 60% lors de la première optimisation,
permettant le traitement immédiat de 45 patients de notre échantillon. La version entraînée grâce à
116 patients, présente quant à elle, un taux de réussite de 83.2% dès la première optimisation.
Aujourd’hui, cette expérience montre qu’il est possible qu’une IA, experte en planification,
permette:
- une homogénéisation des pratiques en planification inverse,
- une efficacité accrue avec un accès plus rapide au résultat,
- une qualité des plans de traitement améliorée,
- une augmentation de sa performance dans le temps.
11
2. Etude 2.1 - Méthodologie
Intellectuellement, je trouve l’application de l’IA dans le domaine médical extrêmement
intéressante. Mais dans le cadre d’une étude, j’ai pensé qu’il était plus pertinent d’explorer sa
dimension utilitaire. Pour se faire, j’ai décidé d’élaborer un comparatif entre un plan de traitement
géré par l’homme et un autre géré par une intelligence artificielle.
Afin de pouvoir explorer au mieux ma problématique, sans pour autant entrer dans la
spéculation, j’ai choisi d’effectuer une étude de cas pour évaluer l’impact direct de l’utilisation
d’une IA dans un service de radiothérapie, et plus particulièrement dans l’élaboration d’un plan de
traitement. Notre étude est donc qualitative.
2.1.1 - Population d’étude
Le but de l'expérience était de comparer une prise en charge d'un dossier en dosimétrie faite
par l'Homme par rapport à une prise en charge réalisée par l'intelligence artificielle (IA). Le dossier
patient choisit pour élaborer le comparatif d’étude concerne la dosimétrie d'une prostate 80 Gy en
40 fractions. Les organes à risque étaient les suivants : vessie (pleine), rectum (vide) et têtes
fémorales.
Ce dossier a été retenu car il permettait de rassembler suffisamment de données à traiter
pour les résultats au niveau des organes à risques et des volumes cibles, tout en étant suffisamment
simple pour entraîner l’IA dans la limite de mon champs d’étude.
12
2.1.2 - Outils
À l’occasion de ce mémoire, l’outil principal d'expérimentation a été l’étude de cas. C’ est
une méthode utilisée dans le cadre des études qualitatives. Elle permet l’analyse d’un sujet de
manière approfondie, en privilégiant l’observation directe dans le but d'acquérir des données à
traiter.
L’étude de cas a l’avantage d’être concrète, dans un domaine très spéculatif comme celui de
l’IA. J’ai pensé que cela était essentiel afin de crédibiliser ce travail et ainsi lui donner plus de poids.
De plus, j’ai eu l’avantage d’avoir un contact de terrain avec l’une de ces technologies donnant une
dimension supplémentaire à mon étude.
13
2.1.3 - Protocole de recherche préliminaire
Dans un premier temps, il nous a fallu recueillir un grand nombre de dosimétrie pour
rassembler nos Big Data. Pour cette expérience, nous avons conçu un modèle avec les données de 36
patients et un autre avec les données de 116 patients. Nous avons alors pu créer le modèle en le
définissant comme le pelvis avant d'y ajouter les structures d’intérêt : PTV et OAR (Paroi rectum,
paroi vessie et têtes fémorales).
Fenêtre 1. Création d’un modèle
14
Nous pouvons alors entrer les dosimètres patients collectés dans notre IA en associant les contours
dosimétriques aux différentes structures d’intérêt que nous venons de définir.
Fenêtre 2. Association des contourages avec le modèle
15
Débute alors la phase d'extraction des méga-données, celle-ci pouvant durer plusieurs
heures.
Fenêtre 3. Training log
Fenêtre 4. Configuration d’un patient d'entraînement
Fenêtre 5. Extraction de données patient
16
Une fois que notre intelligence artificielle a extrait les données en un format qu'elle peut
traiter, nous allons pouvoir les utiliser pour l’entraîner. A l’issue de cette étape, notre modèle nous
donne un compte-rendu de l’entraînement sous différentes formes, que nous allons détailler, pour
bien comprendre son fonctionnement.
Fenêtre 6. Finalisation d’extraction
En premier lieu, le programme dresse un journal d'apprentissage (Voir en annexe)
contenant toutes les données utiles à l'analyse. Pour chaque structure d’intérêt (PTV et OAR),
nous vérifions en priorité les coefficients de détermination. Cette valeur transcrit la bonne
représentativité du modèle d’estimation (probabilité que l'IA réussisse à concevoir un plan final),
respectant sa bande d'estimation initiale. Pour chacune des structures, ce coefficient doit être
supérieur à 0,7 (A savoir qu'un coefficient de détermination trop important invalide aussi notre
programme). Si celui-ci tend vers 1, on estime que le modèle surestime ses capacités propres.
Un fois le journal analysé, nous nous intéressons aux différents graphiques d’entraînement
de l'intelligence artificielle.
Nous analysons en premier lieu le regression plot (courbe de régression). Ce graphique
représente les scores principaux de la DVH d'un organe par rapport à sa distribution géométrique
principale sous forme de points. Le modèle comporte un regression plot par organe, chaque patient
étant représenté par un point. Le programme trace alors la courbe médiane de tous ces points et
établit un écart type de part et d'autre de cette courbe.
17
Graphique 1- Regression Plot d'entraînement du modèle
On considère les points à l'intérieur de l'intervalle de confiance comme représentatifs de la
population générale et donc pertinents dans l'enseignement qu'ils apportent à l'IA. Les points
extérieurs à cet intervalle de confiance sont les outliers (points hors limite). Il faut alors déterminer
cas par cas si les outliers déforment notre courbe et donc les performances de notre modèle (outlier
déformant) ou s'ils apportent une donnée. Par exemple, nous garderons l'expérience acquise par la
machine si celle-ci a été confrontée à une anatomie particulière, s’il y a une probabilité de rencontrer
un type de patient similaire. En revanche, une erreur due à un artefact, sera retirée car elle fausse
l’interprétation de l’IA sur de "vraies" images.
Graphique 2- Geometric plot d'entraînement du modèle
18
Enfin, nous vérifions les DVH plot (HDV d’estimation). Sur ces courbes, nous pouvons
voir les bandes d’estimation de l’IA sur les cas où elle s'est entraînée, de même que les courbes réelles
après calcul. Ainsi, nous pouvons saisir à quel point l'estimation initiale de la machine est fiable.
C'est à ce moment qu'a lieu l'un des premiers rétrocontrôles, car la machine elle même souligne les
différences. Si un cas présente de trop grands écarts, on le retire de l’entraînement afin de ne pas
conserver de Big-Data faussées.
Graphique 3- DVH Plot
Une fois le programme entraîné, on lui impose les contraintes à la dose des volumes cibles, des
organes à risque ainsi que la priorité de ces contraintes. Cela déterminera la force avec laquelle nous
influeront sur nos courbes de doses. Il est important de définir la contrainte aux OARs, aux VCs
mais aussi aux tissus sains, car l'IA doit-être consciente que les tissus qui ne sont ni des VCs ni des
OAR ne peuvent tout de même pas soutenir une dose trop importante.
19
Fenêtre 7- Définition des contraintes
A ce stade, l'IA est fonctionnelle et commence à prendre des décisions (chevauchement des
volumes, etc). A noter qu'à la fin, nous jugeons la qualité d'un modèle grâce aux critères suivants : il
doit-être suffisamment spécifique pour soigner au mieux la pathologie tout en étant entraîné sur
suffisamment de cas pour pouvoir traiter un grand panel de patients différents.
Le développement d'un modèle de ce type peut prendre plusieurs jours à plusieurs mois en fonction
de la localisation.
20
2.1.4 - Protocole de recherche : traitement par un humain
En premier lieu, les dosimétristes contourent les volumes cibles, les organes à risque et le
reste du volume patient.
Ensuite, nous avons défini à la main le PTV d'optimisation (qui est en fait le PTV moins le
CTV) car nous tenterons de concentrer la dose sur le CTV tout en irradiant le CTV de manière
respectable. Il est aussi nécessaire d'entrer les volumes d'aide à l'optimisation comme l'overlap (ou
chevauchement d'organe), que nous avons dû définir nous même.
Fenêtre 8- Optimisation de dose
21
Fenêtre 9- Ciblage des volumes cibles
Le traitement utilisant une technique d'IMRT (arcthérapie dynamique), il était nécessaire
de placer les faisceaux (deux dans ce cas précis) en définissant le point de départ et d'arrivée du bras,
l'inclinaison du rayon incident, la collimation des mâchoires ainsi que l'isocentre de traitement.
Fenêtre 10- Visualisation du ciblage IMRT
22
Commence alors la planification inverse où nous définissons chaque contrainte au niveau
des organes à risque et des volumes cibles. Lors de cette étape, nous tentons d'optimiser la dose, bien
qu'il y ait un risque de traitement suboptimal (traitement qui respecte les différentes contraintes
fixées par la législation mais dont les doses auraient pu être perfectionnées). Il existe néanmoins un
algorithme qui améliore la dose en fonction de nos demandes. Cependant, un traitement
suboptimal ne sera jamais parfait même grâce à cet outil. Avec cette méthode, il n’est pas possible
de prévoir comment seront les HDV des organes à risque. Il faut attendre que les calculs soient
réalisés et s’ils ne conviennent pas, recommencer la dosimétrie. Ce processus itératif peut prendre
plus ou moins de temps en fonction de la compétence de l’opérateur.
2.1.5 - Protocole de recherche : traitement par les intelligences artificielles
Comme effectué précédemment, ce sont les dosimétristes qui ont contouré les volumes
cibles, les organes à risque et le reste du volume patient. Les volumes de traitement sont alors
associés aux volumes de l'IA.
A partir de ce moment, c'est le modèle qui prend le traitement en charge. L'IA nous
transmet un compte rendu des estimations, volume par volume, du cas qui lui a été présenté. Cette
phase nous a permis d'étudier et de suivre le traitement de manière intrinsèque, étape par étape, ce
qui n'est pas possible lors de l'étude humaine. L'IA donne aussi une estimation de l'HDV avant les
calculs (qui peuvent être très long) afin de nous permettre de rectifier les variables et ainsi gagner du
temps.
23
Graphique 4- Geometric plot de traitement du modèle pour la paroi du rectum
Graphique 5- Geometric plot de traitement du modèle pour la tête fémorale droite
Nous avons réitéré les mêmes étapes pour l'IA, entraînée sur 116 patients, afin de pouvoir
comparer les performances de ces deux modèles.
24
