Mieux soigner avec l’intelligence artificielle grâce à Tensorflow



Tous les projets sont intéressants, mais parfois, certains le sont plus que d’autres. Depuis plusieurs mois, Neoxia participe par le biais de l’équipe 3DNS à un consortium d’entreprises et d’instituts de recherche pour optimiser la recherche préclinique s’intéressant aux maladies neurodégénératives par l’intelligence artificielle. Concrètement, on cherche à rendre précise la quantification des marqueurs pathologiques pré-cliniques de la maladie d’Alzheimer dans des images de cerveaux par machine learning. Ce qui permet une meilleure évaluation d’éventuelles thérapies.

Au fil du temps, nous avons essayé plusieurs algorithmes et technologies de machine learning, qui ne nous ont pas donné satisfaction. Les raisons étaient variées : ce pouvait être la précision du modèle qui était insatisfaisante, ou des temps d’attente trop importants. En effet, nous descendons à des résolutions d’analyses inférieures au micron, quand les techniques classiques s’intéressent à des résolutions de plusieurs dizaines de microns Cette montée en précision fait que la volumétrie de données dépasse le Térapixel. Nos premiers algorithmes tournaient plusieurs jours, voire plusieurs mois. Or, dans ce contexte comme dans bien d’autres, nous avions un enjeu de temps sans sacrifier la qualité de la quantification.

Tensorflow est utilisé depuis 6 mois et donne satisfaction sur les deux critères majeurs que sont la rapidité et la souplesse de lecture et d’écriture des modèles d’apprentissages. C’est une solution open-source d’apprentissage automatique développée et soutenue par Google. Sa popularité nous permet de gagner du temps en ayant accès à un support Google et communautaire important.

Dans notre usage, celui de l’apprentissage supervisé (la comparaison se fait en fonction de ce qu’a dit l’expert humain), les algorithmes de deep learning sont performants pour la reconnaissance d’images : par exemple, dans certains situations, un algorithme peut aujourd’hui identifier dans 99,6% des cas le contenu d’une image. Et les temps de traitement sont bons pour un nombre limité d’objets à classifier, même si on ne peut pas gérer des téra quantité d’objets en une seule fois.

Ceci dit, si l’on compare la liste de ce qu’on voulait faire avec ce qu’on a réalisé, on constate que l’on n’a pas connu de véritables obstacles. De façon générale, des applications qui paraissaient improbables il y a encore quelques temps voient le jour et des progrès immenses vont pouvoir être faits dans tous les domaines, notamment la santé.

De nouvelles technologies comme Tensorflow nous rendent plus libres dans la conception de solutions à des problèmes qui paraissaient insolubles. Dans ce nouveau monde, l’imagination devient la seule limite.

Source: Deep Learning on Medium