Nous voici dans la cinquième partie de l’IA dans la santé

Une IA qui décode le génome d’une tumeur au cerveau pendant l’opération chirurgicale

Pour permettre une prise en charge efficace des tumeurs au cerveau réputées les plus agressives, une équipe de chercheurs de l’Harvard Medical School développe un outil utilisant l’intelligence artificielle pour séquencer l’ADN de la tumeur pendant l’opération chirurgicale.

 

Après le disgnostic

Une fois le diagnostic posé, le temps est compté. La durée médiane de survie avec un gliome, une tumeur au cerveau la plus fréquente et la plus agressive, peut aller de quelques mois à plusieurs années selon le moment et l’efficacité de sa prise en charge. Bien que de plus en plus rapides, les procédures actuelles de séquençage du génome des tumeurs, qui permettent d’en connaître parfaitement l’identité, ne sont toujours pas optimales. Des scientifiques de la Harvard Medical School (HMS) ont conçu un outil d’intelligence artificielle, appelé CHARM (« Cryosection Histopathology Assessment and Review Machine »), capable de décoder l’ADN d’une tumeur cérébrale durant une intervention chirurgicale. Un gain de temps et de précision qui pourrait permettre de guider les chirurgiens vers les décisions chirurgicales et thérapeutiques les plus adaptées. Les premiers résultats de ces travaux sont publiés dans la revue Med.

Une information indispensable : l’identité moléculaire de la tumeur,

Chaque tumeur a son identité moléculaire propre : il existe par exemple trois sous-variants principaux du gliome, qui n’auront pas la même vitesse de développement ni la même réaction aux traitements. Connaitre cette identité exacte permet aux neurochirurgiens de prendre les meilleures décisions pour traiter efficacement une tumeur en particulier. « Certaines tumeurs bénéficient par exemple d’un traitement sur place avec des plaquettes enduites de médicaments placées directement dans le cerveau au moment de l’opération », explique Kun-Hsing Yu, auteur principal de l’étude et professeur à l’Institut Blavatnik de l’HMS. Des décisions qui concernent également la quantité de tissu cérébral à retirer, si une ablation trop importante peut affecter les fonctions cognitives du patient, laisser des tissus cancéreux est un risque de voir la tumeur se propager de nouveau.

La signature de la tumeur fournit de précieux renseignements sur la propagation, l’agressivité et la réaction aux traitements. Seulement, cette information cruciale peut prendre quelques jours, voire quelques semaines à être délivrée par les méthodes actuelles, qui consistent à prélever du tissu cérébral en amont, le congeler et l’examiner au microscope.

Voila un outil d’oncologie de précision en temps réel

Loin de voler la vedette au médecin, l’outil CHARM a été développé dans le but d’accélérer et d’optimiser la prise en charge des tumeurs au cerveau, en procédant à leur identification moléculaire durant l’opération chirurgicale. Ces informations, délivrées en temps réel grâce à un échantillon de tissu tumoral, permettent au chirurgien de prendre les décisions les plus adaptées au profil de la tumeur, sans délai d’analyses supplémentaires, ni congélation. CHARM utilise l’intelligence artificielle pour identifier la signature moléculaire des tumeurs à partir d’une nase de données issues de 2.300 échantillons congelés précédemment.

Une IA décèle les premiers signes de la sclérose en plaques

Afin de mieux comprendre le développement de la maladie et de poser un diagnostic avant l’apparition de premiers symptômes, des chercheurs développent des méthodes statistiques et d’intelligence artificielle pour construire des modèles d’évolution des structures cérébrales.

 

La situation

Elle apparaît surtout chez de jeunes adultes, entre 25 et 35 ans, et toucherait plus de 115 000 personnes en France, avec 5 000 nouveaux diagnostics réalisés chaque année1. La sclérose en plaques (ou SEP) est une maladie inflammatoire, auto-immune et neurodégénérative qui affecte le cerveau et la moelle épinière. L’inflammation détruit la myéline, qui ne peut alors plus assurer son rôle de gaine protectrice pour les axones des neurones. Une perte qui affecte particulièrement la transmission de l’information transitant de cellules nerveuses en cellules nerveuses. Cette maladie chronique réduit les facultés motrices, visuelles, sensitives et cognitives, en fonction de la taille et de l’emplacement des lésions qu’elle inflige. Des soins existent pour limiter l’avancée de la pathologie, mais elle ne peut pas encore être guérie.

Retracer l’évolution du volume des structures cérébrales

L’étude et le suivi de la sclérose en plaques sont compliqués du simple fait que les patients passent des examens d’IRM seulement au moment où ils ressentent les premiers symptômes. Ce problème est récurrent pour les maladies neurodégénératives, où plusieurs structures cérébrales sont déjà atteintes sans que l’on ne sache depuis quand ni comment…

L’article complet : Une IA décèle les premiers signes de la sclérose en plaques
Publié sur Le journal du CNRS par Martin Koppe le 8 novembre 2023

Quelques articles supplémentaires

L’intelligence artificielle pour détecter la sclérose en plaques

C’est souvent après des premiers symptômes, après une IRM, que les patients atteints de la sclérose en plaques ou d’une maladie neurogénérative savent à quoi s’en tenir.

C’est un problème pour le suivi de la maladie, car on ne sait pas quand ni comment les structures cérébrales ont été touchées par l’affection.

 

Un système parlementaire bicaméral pour analyser les IRM

Pour identifier les zones du cerveau qui sont les premières affectées par une maladie neurogénérative, l’étude des images du cerveau est indispensable, mais « une segmentation fine du cerveau sur des images IRM demande deux semaines de travail à une personne formée spécialement pour », explique Pierrick Coupé, directeur de recherche au CNRS. C’est là que l’intelligence artificielle entre en scène.

Le spécialiste de l’analyse et du traitement d’imageries biomédicales et son équipe ont analysé les IRM de 41 000 sujets, dont plus de 2 500 profils provenant de la base de données de l’Observatoire français de la sclérose en plaques. Avec autant de cerveaux à analyser, « ce travail serait tout bonnement impossible sans IA ».

L’objectif est de « vérifier si des structures étaient atteintes de façon précoce et spécifique par la maladie ». Et pour y parvenir, les chercheurs ont développé une IA dotée de 250 réseaux de neurones au fonctionnement inspiré de notre manière de résoudre des problèmes : un système parlementaire bicaméral !

« Les réseaux de neurones sont organisés comme deux chambres d’un parlement : l’une analyse à faible résolution tandis que l’autre affine ses résultats. Elles communiquent pendant tout le processus jusqu’à converger sur un consensus découlant sur la discrimination des structures cérébrales les unes par rapport aux autres ».

L’IA des chercheurs a ceci d’important qu’elle s’appuie sur une segmentation cérébrale lisible par les humains : on peut donc détecter plus facilement une erreur dans l’algorithme et connaitre le cheminement logique de l’IA.

Plusieurs découvertes découlent de cette recherche. Le thalamus est ainsi la première région du cerveau touchée par la sclérose en plaques, puis quatre ans plus tard c’est le putamen (chargé de la régulation des mouvements) qui commence à se dégrader. Passé les neuf premières années, c’est le tronc cérébral (régulation de la respiration et du rythme cardiaque) qui se détériore. Tout cela précède le diagnostic qui tombe généralement une dizaine d’années après les premières altérations du thalamus.

Pierrick Coupé a déjà développé un outil d’aide au diagnostic pour Alzheimer, et il prépare quelque chose de similaire pour la sclérose en plaques.

Article source : Une IA décèle les premiers signes de la sclérose en plaques
Publié par Martin Koppe sur Le Journal du CNRS le 8 novembre 2023

Comment l’IA change le visage de la biologie moléculaire

Je viens de trouver cet article et je le partage.

L’IA et l’automatisation font progresser la biologie moléculaire à vitesse grand V, notamment grâce aux laboratoires autonomes.

 

Dans le domaine de la biologie moléculaire, l’IA a fait des pas de géant et elle redéfinit complètement les protocoles expérimentaux. Aujourd’hui, nous assistons à l’émergence de laboratoires autonomes (comme le A-Lab), pilotés entièrement par des robots et par des modèles d’IA. C’est une toute nouvelle manière d’approcher la recherche scientifique et de l’accélérer.

L’émergence des laboratoires autonomes

Un laboratoire autonome fonctionnel combine deux ensembles technologiques de pointe :

  • Des équipements robotisés.
  • Des modèles d’apprentissage automatique en capacité de concevoir des expériences et d’analyser les résultats.

Une approche complètement révolutionnaire qui permet d’accélérer le processus scientifique et de générer des solutions innovantes. Héctor García Martín est physicien et biologiste synthétique au Lawrence Berkeley National Laboratory. Il explique : “c‘est un travail à la pointe de la technologie“. Ces laboratoires “automatisent complètement l’ensemble du processus de génie des protéines”.

C’est un domaine particulier de la biotechnologie se concentrant principalement sur la création ou la modification de protéines. Ses applications sont plutôt diverses : domaine médical, industriel ou recherche pure. Il implique nécessairement la manipulation de la structure des protéines ; un processus qui peut être plutôt fastidieux si on se cantonne aux méthodes traditionnelles.

En effet, pour déterminer quelle protéine présente la meilleure performance, il faut effectuer un très grand nombre de manipulations et de tests. Un travail qui peut être vite monotone et répétitif. Automatiser l’ensemble de ces processus grâce à l’IA et à la robotique est un immense gain de temps pour les chercheurs.

Le grand pouvoir d’un modèle d’IA simplifié

À l’Université du Wisconsin-Madison, l’équipe de recherche de Philip Romero (généticien moléculaire spécialisé dans les protéines) a mis au point un système établi sur un modèle d’IA simple. Celui-ci est capable de relier une protéine à sa fonction et de proposer rapidement les modifications de séquences adéquates pour l’améliorer.

Selon les dires de Romero lui-même, il explique que ce modèle permet de “set and forget“. À comprendre : “on donne les instructions au modèle, et c’est fini, plus besoin de s’en soucier“. Le modèle est autonome et conduit quasiment seul les expériences de reconfiguration enzymatique. On désigne par ce terme tout le processus de modification ou de refonte des enzymes destiné à améliorer leurs performances ou alors à créer de nouvelles fonctions spécifiques.

Leur modèle envoie les séquences de protéines qu’il a composées aux équipements de laboratoire qui fabriquent ensuite les protéines, les teste, et le processus est réitéré. Grâce à cette approche, l’équipe a réussi à rendre certaines enzymes métaboliques (des glycoside hydrolase) plus résistantes à la chaleur. Après 20 cycles expérimentaux seulement, ils sont parvenus à des résultats très convaincants.

Les défis futurs et la collaboration avec l’humain

Même si cette vague d’automatisation des laboratoires ouvre un vaste horizon de possibilités très prometteur, des ajustements sont encore nécessaires pour adapter ce mode de fonctionnement à d’autres domaines que le génie des protéines.

Huimin Zhao, un biologiste de l’Université de l’Illinois Urbana-Champaign estime que rendre des protéines plus stables à la chaleur est un processus relativement simple. En revanche, adapter un laboratoire autonome pour qu’il modifie les enzymes d’une autre manière n’est pas encore une tâche évidente.

Le but de ces laboratoires autonomes n’est absolument pas de remplacer la main de l’homme. Ils sont plutôt pensés pour diminuer au maximum les tâches répétitives et laborieuses, afin que les chercheurs se concentrent plutôt sur le côté créatif de leur profession. Jacob Rapp, co-auteur du papier paru dans Nature sur lequel est basé cet article, l’exprime très bien auprès de ses confrères : “nous ne remplaçons pas les humains, nous remplaçons les parties ennuyeuses pour que vous puissiez vous concentrer sur les aspects intéressants de votre travail d’ingénierie“.

L’automatisation et l’IA annoncent un avenir réellement passionnant pour la biologie moléculaire, et pour la recherche scientifique au sens large. Même si les laboratoires autonomes ne sont pas encore applicables à tous les domaines, voir qu’ils sont déjà capables d’abattre un travail titanesque en si peu de temps est déjà formidable. Une collaboration entre l’homme et la machine qui s’annonce déjà comme un game changer dans le domaine de la recherche.

Article source : Comment l’IA change le visage de la biologie moléculaire
Publié sur Presse Citron par Camille Coirault le 16 janvier 2024

D’autres articles…

Cédric Villani devant des lycéens de Saint-Sauveur :

« Rien d’intelligent dans l’intelligence artificielle »

 

Le célèbre mathématicien Cédric Villani a rencontré l’ensemble des élèves de première et terminale du lycée Saint-Sauveur de Redon, en octobre 2024.

L’article complet.

D’autres articles…

BiomedGPT : le ChatGPT qui pourrait révolutionner la médecine

A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks
Un modèle généraliste de fondation d’un langage visuel pour diverses tâches biomédicales

Traditional biomedical artificial intelligence (AI) models, designed for specific tasks or modalities, often exhibit limited flexibility in real-world deployment and struggle to utilize holistic information. Generalist AI holds the potential to address these limitations due to its versatility in interpreting different data types and generating tailored outputs for diverse needs. However, existing biomedical generalist AI solutions are typically heavyweight and closed source to researchers, practitioners, and patients.

Here, we propose BiomedGPT, the first open-source and lightweight vision-language foundation model, designed as a generalist capable of performing various biomedical tasks. BiomedGPT achieved state-of-the-art results in 16 out of 25 experiments while maintaining a computing-friendly model scale. We also conducted human evaluations to assess the capabilities of BiomedGPT in radiology visual question answering, report generation, and summarization. BiomedGPT exhibits robust prediction ability with a low error rate of 3.8% in question answering, satisfactory performance with an error rate of 8.3% in writing complex radiology reports, and competitive summarization ability with a nearly equivalent preference score to human experts.

Our method demonstrates that effective training with diverse data can lead to more practical biomedical AI for improving diagnosis and workflow efficiency.

Les modèles d’intelligence artificielle (IA) biomédicale traditionnels, conçus pour des tâches ou des modalités spécifiques, font souvent preuve d’une flexibilité limitée dans leur déploiement dans le monde réel et peinent à utiliser des informations globales. L’intelligence artificielle généraliste a le potentiel de remédier à ces limitations en raison de sa polyvalence dans l’interprétation de différents types de données et dans la production de résultats adaptés à divers besoins. Cependant, les solutions d’IA généraliste biomédicale existantes sont généralement lourdes et fermées aux chercheurs, aux praticiens et aux patients. Nous proposons ici BiomedGPT, le premier modèle de base léger et open-source de langage de vision, conçu comme un généraliste capable d’effectuer diverses tâches biomédicales. BiomedGPT a obtenu des résultats de pointe dans 16 expériences sur 25, tout en conservant une échelle de modèle conviviale. Nous avons également mené des évaluations humaines pour évaluer les capacités de BiomedGPT dans la réponse aux questions visuelles en radiologie, la génération de rapports et le résumé. BiomedGPT présente une capacité de prédiction robuste avec un faible taux d’erreur de 3,8 % dans la réponse aux questions, une performance satisfaisante avec un taux d’erreur de 8,3 % dans la rédaction de rapports radiologiques complexes, et une capacité de résumé compétitive avec un score de préférence presque équivalent à celui des experts humains. Notre méthode démontre qu’une formation efficace avec des données diverses peut conduire à une IA biomédicale plus pratique pour améliorer le diagnostic et l’efficacité du flux de travail.

Les papiers publiés :

Autre Source :

BiomedGPT : Un ChatGPT qui pourrait révolutionner la médecine Publié sur Sciences et Avenir par Nicolas Gutierrez le 25 novembre 2024