Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Intelligence	ar,ficielle		
&		
Médecine	
Jean-Emmanuel	Bibault	MD,PhDc	
jean-emmanuel.bibault@aphp.fr	
twiCer.com/jebibault
•  Défini,ons	
•  Historique	
•  U,lisa,ons	
•  Applica,ons	en	médecine	&	cancérologie	
•  Vers	le	médecin	ar,ficiel
Défini,ons	
•  Machine	Learning	
Méthodes	permeCant	à	une	machine	d'évoluer	par	un	
processus	systéma,que,	sans	interven,on...
Défini,ons	
•  Supervisé	
– À	par,r	de	données	labellisées	
•  Non	supervisé	
– À	par,r	de	données	non	labellisées	
•  Renf...
Historique	
•  1940	:	Premier	concept	de	réseaux	neuronaux	
•  Cycles	de	promesses	et	de	décep,ons		
Image	source	:	Andrew...
Récemment	
•  Puissance	informa,que	disponible	(GPU)	
•  Quan,té	massive	de	données	:	
– 2013	:	4.4	ZeCabytes	
– 2020	:	44...
Deep	Learning	
•  2006	:	appari,on	du	terme	
•  2012	:	première	percée	
–  Large	Scale	Visual	Recogni,on	Challenge	(Imagen...
Source	image	:	hCps://www.amax.com/blog/?p=804
Frameworks	
•  Sci-Kit	Learn	
•  Theanos	
•  Caffe	
•  Keras	
•  TensorFlow
Deep	Learning	
•  U,lisé	pour	:	
– Reconnaissance	visuelle	
– Reconnaissance	vocale	
– Traduc,on	(NLP)	
– Classifica,on	
– ...
Deep	Learning	Hype
Deep	Learning	&	médecine	
•  Augmenta,on	du	volume	&	digitalisa,on	des	données	
médicales	
•  Dépassement	des	capacités	co...
Difficultés	
•  Data	en	médecine	:	
– Faible	nombre	de	pa,ents	
– Parfois,	faible	granularité,	peu	structurée	
– Ou	au	contr...
129450	lésions	– Incep,on	v3	versus	21	dermatologues	
Esteva	et	al,	Nature,	2016
Esteva	et	al,	Nature,	2016
Esteva	et	al,	Nature,	2016
•  T	
•  128	174	images	de	ré,nes	
•  54	ophtalmologues	
•  1	CNN	
•  Validé	sur	deux	datasets	:	
–  EyePACS-1	(9963	image...
Gulshan	et	al,	JAMA,	2016
•  76214	pa,ents	
•  Prédic,on	de	78	maladies	
	
MioCo	et	al,	Scien,fic	Reports,	2016
MioCo	et	al,	Scien,fic	Reports,	2016
Deep	Learning	&	cancérologie	
•  Diagnos,c	plus	précoce,	plus	certain	
•  Définir	les	pa,ents	qui	répondront	bien	
•  Adapt...
Perspec,ves	
•  Quelles	spécialités	sont	menacées	?	
	
– A	5/10	ans	?	Le	diagnos,c	
•  Radiologues	
•  Anatomopathologiste...
Vers	une	IA	«	forte	»	
•  Nécessité	une	IA	capable	d’accomplir	
plusieurs	tâches	différentes	
•  Problème	:	«	catastrophic	...
Le	médecin	ar,ficiel	
•  Redéfini,on	du	rôle	du	médecin	
•  Moins	de	technique	
•  Plus	d’humain,	d’empathie	
•  Jusqu’à	qua...
Simuler	(ou	avoir	?)	des	émo,ons
The	New	York	Times	– Exploring	our	Links	to	Robot	–	Mars	2017
Un	médecin	plus	humain	qu’un	humain
Quelques	ressources	&	exemples		
pour	débuter	
•  TensorFlow	:	h"ps://www.tensorflow.org/	
•  Essayer	un	réseau	neuronal	en...
Intelligence artificielle en médecine
Intelligence artificielle en médecine
Upcoming SlideShare
Loading in …5
×

Intelligence artificielle en médecine

Conférence donnée le 30 Mars à La Paillasse (Paris, France) sur l'intelligence artificielle en médecine.

  • Be the first to comment

Intelligence artificielle en médecine

  1. 1. Intelligence ar,ficielle & Médecine Jean-Emmanuel Bibault MD,PhDc jean-emmanuel.bibault@aphp.fr twiCer.com/jebibault
  2. 2. •  Défini,ons •  Historique •  U,lisa,ons •  Applica,ons en médecine & cancérologie •  Vers le médecin ar,ficiel
  3. 3. Défini,ons •  Machine Learning Méthodes permeCant à une machine d'évoluer par un processus systéma,que, sans interven,on humaine •  Plusieurs méthodes (liste non exhaus,ve) –  kNN, –  SVMs, –  Random forest, –  Neural network, •  Deep Learning
  4. 4. Défini,ons •  Supervisé – À par,r de données labellisées •  Non supervisé – À par,r de données non labellisées •  Renforcé
  5. 5. Historique •  1940 : Premier concept de réseaux neuronaux •  Cycles de promesses et de décep,ons Image source : Andrew Beam
  6. 6. Récemment •  Puissance informa,que disponible (GPU) •  Quan,té massive de données : – 2013 : 4.4 ZeCabytes – 2020 : 44 ZeCabytes
  7. 7. Deep Learning •  2006 : appari,on du terme •  2012 : première percée –  Large Scale Visual Recogni,on Challenge (Imagenet database) –  AlexNet fait passer le taux d’erreur de 28 à 16% •  2014 : GoogLeNet •  2015 : Incep,on •  2016 : ResNet (56 couches)
  8. 8. Source image : hCps://www.amax.com/blog/?p=804
  9. 9. Frameworks •  Sci-Kit Learn •  Theanos •  Caffe •  Keras •  TensorFlow
  10. 10. Deep Learning •  U,lisé pour : – Reconnaissance visuelle – Reconnaissance vocale – Traduc,on (NLP) – Classifica,on – Prédic,on – Jeux vidéo – Créa,on ar,s,que
  11. 11. Deep Learning Hype
  12. 12. Deep Learning & médecine •  Augmenta,on du volume & digitalisa,on des données médicales •  Dépassement des capacités cogni,ves humaines (max 5 facteurs) •  Possibilités de : –  Diagnos,c (classifica,on) à Fiabilité, rapidité –  Prédic,on (classifica,on, séries temporelles) à Personnalisa,on des traitements
  13. 13. Difficultés •  Data en médecine : – Faible nombre de pa,ents – Parfois, faible granularité, peu structurée – Ou au contraire grand nombre de variables à Risque d’overfirng •  Effet « boîte noire » : – Créa,on d’un modèle incompréhensible pour un esprit humain
  14. 14. 129450 lésions – Incep,on v3 versus 21 dermatologues Esteva et al, Nature, 2016
  15. 15. Esteva et al, Nature, 2016
  16. 16. Esteva et al, Nature, 2016
  17. 17. •  T •  128 174 images de ré,nes •  54 ophtalmologues •  1 CNN •  Validé sur deux datasets : –  EyePACS-1 (9963 images) –  Messidor-2 (1748 images) Gulshan et al, JAMA, 2016
  18. 18. Gulshan et al, JAMA, 2016
  19. 19. •  76214 pa,ents •  Prédic,on de 78 maladies MioCo et al, Scien,fic Reports, 2016
  20. 20. MioCo et al, Scien,fic Reports, 2016
  21. 21. Deep Learning & cancérologie •  Diagnos,c plus précoce, plus certain •  Définir les pa,ents qui répondront bien •  Adapter les traitements : –  Faire un traitement plus ou moins agressif •  Exploiter les entrepôts de données des hôpitaux : –  HEGP : 170 000 pa,ents –  APHP : 6,5 millions de pa,ents
  22. 22. Perspec,ves •  Quelles spécialités sont menacées ? – A 5/10 ans ? Le diagnos,c •  Radiologues •  Anatomopathologistes – A plus long terme ? •  Tous les médecins ?
  23. 23. Vers une IA « forte » •  Nécessité une IA capable d’accomplir plusieurs tâches différentes •  Problème : « catastrophic forgerng »
  24. 24. Le médecin ar,ficiel •  Redéfini,on du rôle du médecin •  Moins de technique •  Plus d’humain, d’empathie •  Jusqu’à quand ? – Robots humanoïdes – Imita,on des émo,ons humaines
  25. 25. Simuler (ou avoir ?) des émo,ons
  26. 26. The New York Times – Exploring our Links to Robot – Mars 2017
  27. 27. Un médecin plus humain qu’un humain
  28. 28. Quelques ressources & exemples pour débuter •  TensorFlow : h"ps://www.tensorflow.org/ •  Essayer un réseau neuronal en ligne •  TensorFlow Developper Summit 2017 : – Skin Cancer Image Classifica,on – Re,nal Imaging •  Tutoriels Siraj Raval (YouTube)

×