L’intelligence artificielle se mobilise contre la maladie d’Alzheimer : Interview de Jérôme Pesenti

Voilà un autre aspect de notre blog, donner la parole aux acteurs importants qui font vivre et évoluer la santé connectée.

Pour notre premier entretien nous avons la chance d’avoir Jérôme Pesenti, rien de moins, l’un des meilleurs spécialistes au monde de l’Intelligence Artificielle (IA). Voilà précisément expliqué par Jérôme Pesenti dans cet entretien, l’apport de l’Intelligence Artificielle pour participer au traitement des grands problèmes de santé publique : Le traitement des maladies neuro dégénératives, les cancers et maladies rares…

Jérôme Pesenti, mathématicien Français, a cofondé Vivisimo en 2000, spécialiste du « clustering », c’est-à-dire du regroupement de résultats dans des dossiers thématiques, à partir de données du web. Il est devenu Vice-Président de IBM Watson Core Technology, après le rachat de Vivisimo par IBM, en 2014 et responsable de la plate-forme Watson. En particulier Jérôme Pesenti était responsable des capacités cognitives de Watson (voir notre post Watson) c’est-à-dire de la voix de Watson, des systèmes de reconnaissance d’image, et des systèmes d’interprétation de texte et de bien d’autres outils de Watson. La plate-forme Watson propose un ensemble de services cognitifs dans le Cloud pour les chercheurs et les entreprises qui peuvent intégrer les outils de Watson dans leurs applications et leurs produits. Jérôme Pesenti a été recruté en septembre 2016 par la société Benevolent, en Grande Bretagne, en prenant la direction de Benevolent Tech. La compagnie développe de nouveaux médicaments. Le but de Benevolent Tech est d’améliorer les processus de découverte de médicament grâce aux nouveaux outils de l’IA.

Innovation E-Santé : comment analyser ce passage de l’emblématique projet Watson à vos nouvelles fonctions.

Jérôme Pesenti : Appliquées au monde de la santé, les technologies développées dans le cadre du projet Watson ont un bon niveau de performance, mais l’utilisation de manière industrielle est difficile. Il était difficile de trouver des applications, et de travailler avec ces technologies nouvelles avec des partenaires qui soient assez matures par rapport à ces technologies, et d’avoir un contact très direct avec les utilisateurs, afin d’avoir un nécessaire feedback. Il était même difficile de reconnaitre la nature des freins à ce développement industriel. Au contraire chez Benevolent, on a mis des chercheurs pharmacologistes et des chercheurs en Intelligence Artificielle dans le même bureau, ils travaillent ensemble, ils peuvent se parler toute la journée, c’est une démarche très différente. Alors que si on crée un produit software et que l’on essaye de le vendre cela crée une dynamique beaucoup moins fluide. Dans les projets d’Intelligence Artificielle et d’apprentissage automatique, il est très important d’avoir un excellent feedback.

Innovation E-Santé : Faut-il travailler dans le sens des living- labs, faire une sorte d’incubateur avec les différents intervenants pour savoir où on va ?

Jérôme Pesenti : C’est ce que nous faisons avec Benevolent, l’idée est de mettre des personnes au sommet de leur discipline mais qui viennent d’espaces différents, les pharmacologistes et les spécialistes en intelligence artificielle dans la même organisation pour créer une plateforme de découverte beaucoup plus efficace.

Innovation E-Santé : Donc il n’y pas que des mathématiciens, des informaticiens, il y a aussi des médecins chercheurs ?

Jérôme Pesenti : Bien sûr, il y a des chercheurs venant des laboratoires Pfizer et Glaxo Smith et qui ont travaillé à développer de nouveaux médicaments, et qui connaissent parfaitement les processus. Nous avons des chimistes, des biologistes… Nous faisons de l’ingénierie pharmaceutique. La formation des collaborateurs et parfois de type M. D. (Docteur en Médecine), mais en général ils sont passés par l’industrie pharmaceutique pendant 10-20 ans, ce ne sont pas des cliniciens. On a en projet de traiter des maladies rares, et où on aimerait avoir des feedbacks très rapides, on a des projets ou on intègre, et où on communique avec des cliniciens. Nous débutons une collaboration pour voir si l’on peut interagir avec des équipes cliniciennes directement ou pas. C’est une question que l’on se pose. Nous avons deux projets pour voir si on peut avoir de cette façon un meilleur feedback du terrain, sur les suggestions de traitements que nous proposons. On va démarrer en fin d’année des études cliniques sur certains produits des « small molecules » concernant les pathologies neuro-dégénératives Alzheimer parkinson, SLA, cancers rares, maladies rares…

Innovation E-Santé : Après votre première carrière brillante à Vivissimo et à IBM Watson, le fait d’être dans le domaine médical est un autre challenge pour vous aujourd’hui.

Jérôme Pesenti : J’ai déjà créé ma start-up et je l’ai vendu, à ce stade de ma carrière, je travaille par passion, et une partie de ma passion actuelle c’est l’impact de mes nouvelles activités sur les individus, le nombre de personnes concernées par mon travail. Le domaine de la médecine peut affecter beaucoup de personnes, d’une manière profonde dans leur vie. Si on traite une maladie qui est débilitante, ou une maladie qui raccourcie la vie des gens, ça a un effet énorme. C’est ça qui est attrayant pour moi, avoir un impact positif dans la vie des gens. Alors vendre plus de pub ou améliorer la manière de vendre des assurances c’est intéressant mais ce n’est pas le même impact.

Innovation E-Santé : Avec une première carrière réussie, les entrepreneurs de votre profil aiment ainsi s’investir dans le domaine médical, (je pense par exemple à Franck Le Ouay, fondateur d’ Honestica après une carrière brillante en tant que Software design engineer et scientist officer).

Jérôme Pesenti : Je peux vous dire que c’est vrai pour la plupart des gens de mon profil, ils font ce choix à ce stade de leur carrière.

Innovation E-Santé : Quel est l’impact des nouvelles technologies sur la recherche contre les maladies de type Alzheimer par rapport à la recherche traditionnelle ? Est-ce l’utilisation des nouveaux supers calculateurs de type NVIDIA DGX-1 (Deep learning et IA) qui sont importants pour aider la recherche ?

Jérôme Pesenti : Non, l’ordinateur n’est qu’un moyen à arriver à une fin, l’ordinateur en soi n’est pas tellement important pour les spécialistes.

Innovation E-Santé : Pour un chercheur dans le domaine de la maladie d’Alzheimer ou d’un cancer rare quel est le type de technologie intéressante ?

Jérôme Pesenti : Nous, ce que l’on permet, c’est d’analyser toute la littérature, toute la production de données pertinentes par rapport à un problème. Quand on est un chercheur on peut lire un ou deux papiers par jour, on peut essayer d’être à la pointe dans son domaine, mais il y a « 10000 » publications par jour et il n’y a aucun moyen pour le chercheur de couvrir tout ce qu’il se passe dans son domaine, et surtout dans les domaines adjacents. Notre système permet d’analyser et de lire toute cette production et de créer les connexions que les chercheurs pourraient faire s’ils avaient la possibilité de lire toute cette littérature, mais ils ne l’ont pas. Cela permet à notre système qui n’est pas encore aussi intelligent qu’un docteur ou qu’un chercheur, mais qui a une certaine intelligence, de comprendre les corrélations trouvées dans la littérature et de comprendre le langage de cette littérature, de trouver les connexions qui sont cachées dans cette masse d’information.

Innovation E-Santé : Grâce à des algorithmes le système va sélectionner des papiers, en écarter d’autres si les tests statistiques ne sont pas cohérents, si le papier est mal rédigé, si les conclusions sont erronées ? Il y a donc des systèmes qui sont capables d’éliminer ces papiers, qui vont garder les bons et vont délivrer la quintessence de ces papiers au chercheur?

Jérôme Pesenti : Ce n’est pas ce que l’on fait, on va un peu plus loin. On essaye de trouver de nouvelles connexions. Quand un chercheur essaye de trouver un nouveau chemin ou une nouvelle solution pour traiter une maladie, on va lui suggérer des lignes de recherche. Les systèmes analysent la littérature et créent eux-mêmes des lignes de recherche, les nouvelles molécules à prendre en compte, cela guide le chercheur dans une dynamique d’évaluation. On utilise des techniques d’apprentissage automatique de machine Learning pour comprendre le langage. Il y a un grand mouvement depuis 5 ans qui utilise le deep learning, c’est l’utilisation des neurones artificiels. Ce ne sont pas de vrais neurones, ils ne sont pas liés à la façon dont le cerveau fonctionne. Mais ils permettent des méthodes d’apprentissage qui fonctionnent très bien, ce qui permet d’avoir une compréhension plus fine par exemple, des images, de la voix, et du langage. On utilise ces algorithmes de plus en plus. Mais ces algorithmes sont très compliqués.

C’est pour cela que l’on utilise ces ordinateurs de type GPU avec des processeurs pour faire du graphisme, mais ici pour faire du calcul. On fait beaucoup de calcul, ce qui permet une analyse plus fine du langage. Le langage est très subtil, on ne peut pas faire un apprentissage naïf dérivé de techniques linguistiques, ça ne fonctionne pas, c’est pour ça qu’on a besoin de ce genre de machines, qui analyse le langage de façon plus statistique. (Voir la conférence de Jérôme Pesenti )

Quand on extrait des connaissances de ces journaux, de ces publications on a une compréhension assez fine du langage et du sens des mots. La machine a ainsi une représentation plus fine du domaine étudié, et du langage. Les machines apprennent, elles extraient des modèles à partir de données existantes. La machine peut regarder une image et comprendre ce qu’il y a dedans, de façon automatique sans que l’on ait à lui expliquer comment trouver ce qui est important dans l’image. On lui donne simplement énormément d’exemple d’images avec les descriptions. Le système va apprendre et faire des déductions à partir de ces exemples.

Innovation E-Santé : Un exemple simple ?

Jérôme Pesenti : Vous avez une image et vous voulez reconnaitre ce qui est dans l’image, est-ce une fourmi, une voiture, une personne, un visage, combien de personnes dans l’image, est-ce un homme ou une femme… Aujourd’hui on a des ordinateurs qui font ce genre de reconnaissance. Il y a 10 ou 20 ans devant ce type de problème on faisait du « situationnel engineering » on essayait d’inculquer aux systèmes des paramètres pour lui apprendre ce qui est important dans l’image, les courbes, le contraste…. Aujourd’hui on ne fait plus ça, on donne des exemples d’images on décrit l’image (une personne de 20 ans, un animal….) On a des algorithmes beaucoup plus puissants, et en montrant une image au système, il est capable de découvrir avec une grande précision ce dont l’image parle. C’est la révolution depuis 10 ans, on n’inculque plus à la machine ce qu’elle doit trouver dans l’image, elle a été éduquée par l’exemple, elle va décrire l’image par elle-même c’est cela l’apprentissage automatique. La machine va écrire des programmes elle-même à partir de données.

Innovation E-Santé : Un exemple dans le domaine médical ?

Jérôme Pesenti : Quand le système analyse des publications, comment reconnaitre l’objet du papier ? On va éduquer le système en lui fournissant des exemples de document à propos par exemple de gènes ou de médicaments… Quand on lui fournit de nouveaux documents, le système va retrouver automatiquement qu’il parle de gènes ou de médicaments, le système va lui-même faire les extractions pertinentes concernant les gènes ou les médicaments. Mieux on peut apprendre au système quelles sont les relations importantes entre par exemple un médicament, un gène, une maladie. On lui fournit des exemples qui vont conclurent à des interactions, par exemple: le médicament A a une action sur le gène B qui va s’exprimer pour résoudre les symptômes d’une maladie C. Ou au contraire des exemples qui vont conclurent à l’absence de relation: exemple avec une étude ou nous avons regardé les gènes ABCD et nous avons regardé les médicaments EFGH et nous n’avons pas vu de rapport entre les deux groupes. La machine saura par la suite montrer l’existence ou pas de relation entre par exemple un gène, un médicament et une maladie dans des documents nouveaux. Exemple : Dans le système Watson oncologie, le système intègre le dossier du patient, il va analyser la littérature et suggérer des traitements au clinicien. Pour cela le système doit comprendre le langage. La machine doit être éduquée aux subtilités du langage (par exemple la négation). Pour cela on lui donne des exemples, on ne lui explique pas comment le langage fonctionne.

Innovation E-Santé : Si nous avons bien compris, in fine l’analyse intelligente d’un nombre colossal de données (les milliards de bases de nucléotide dans un génome…) va permette à un système de faire des relations entre un génome une maladie des médicaments…

Jérôme Pesenti : Il faut réaliser l’importance de ces nouveaux outils, de ce nouveau phénomène, les machines ne sont pas là pour remplacer les humains, mais c’est toute une dynamique d’assistance aux chercheurs et aux médecins, afin de les rendre plus efficaces.

Innovation E-Santé : La santé connectée effraie beaucoup de confrères, certains pensent qu’elle va se substituer à la pratique clinique, d’autres ne connaissent pas l’enjeu du big data, et de façon plus prosaïque de très nombreux confrères n’utilisent que peu ou pas du tout le mail.

Jérôme Pesenti : Les machines ne vont pas remplacer les hommes, mais elles vont davantage favoriser les individus déjà en phase avec les nouvelles technologies de l’information et de la communication. Le message est donc qu’il faut qu’on s’y mette, ceux qui ne s’y mettront pas seront plus facilement laissés sur la touche, il n’y a aucun doute.

Innovation E-Santé : Le dossier médical électronique (dans le cloud), n’existe pas (ou très peu) en France, il ne peut donc pas être intégré aux systèmes d’IA, quel est selon vous l’impact de ce problème par rapport aux systèmes que vous développez.

Jérôme Pesenti : Le dossier médical électronique n’est pas un problème pour Benevolent, mais pour Watson, c’est un problème essentiel. La possibilité d’avoir un bon dossier électronique du patient, avec de bonnes données dans le cloud, est essentiel. Aux US cela est en train de se faire mais il y a encore beaucoup de travail à faire sur le dossier électronique. Le dossier électronique est fondamental pour la médecine personnalisée et assistée.

Innovation E-Santé : Quid du deep learning et de la médecine clinique ?

Jérôme Pesenti : Le médecin n’a pas à se procurer du deep learning. Le cancérologue clinicien va travailler avec des outils de type Watson qui vont l’assister au niveau diagnostic et au niveau thérapeutique. Il faut s’ouvrir maintenant à ce genre d’outil. Mais on ne peut pas faire ça si on n’utilise pas un ordinateur, on ne peut pas faire ça si on n’a pas un dossier électronique, il faut être très ouvert à utiliser ce genre d’outils.

Innovation E-Santé : Le projet Watson n’est qu’à ses débuts en France et semble cantonné dans le domaine de la recherche (inra…) il n’y a pas encore d’utilisation en unité d’oncologie clinique par exemple ?

Jérôme Pesenti : On pourrait utiliser Watson en clinique courante, mais la première étape est le dossier médical électronique, s’il n’y a pas en France un dossier électronique, c’est un problème.

 

Un grand merci à Jérôme Pesenti d’avoir accepté cette conversation de 35 minutes par Skype réalisé le 19 Octobre dernier.

La conclusion est donc de moderniser nos cabinets médicaux, de dématérialiser les documents, d’utiliser le net pour communiquer. De voir se généraliser le dossier médical électronique. Nous serons alors dans de bonnes prédispositions avant de pouvoir utiliser les outils de l’Intelligence Artificielle….