TLes études de Maithra Raghu sur l’intelligence artificielle à Google Brain n’ont pas une manière de chevet. Mais elle parie que cela peut encore aider à restaurer un aspect profondément humain et en voie de disparition de la médecine moderne: le lien personnel.

Dans un système de santé inondé de paperasse et de données sur les patients, Raghu voit un endroit naturel pour les réseaux de neurones, qui analysent de grandes quantités d’informations pour trouver des modèles qui échappent à l’œil humain et les utilisent pour générer des diagnostics ou des prévisions de soins de santé. Pour elle, la technologie pourrait s’avérer être un outil puissant pour le traitement des données, ce qui permettrait aux prestataires de passer plus de temps avec les patients en tête-à-tête.

«L’apprentissage automatique n’est pas un outil magique ici», a déclaré Raghu, un chercheur principal récemment nommé STAT Wunderkind. «La médecine est fondamentalement humaine. Dans ces moments où vous avez très peur, la composante humaine est vraiment, vraiment critique. »

publicité

Depuis six ans, d’abord en tant que doctorant. étudiant à Cornell et maintenant à Google Brain, Raghu a découvert les principes de base de la construction de réseaux neuronaux. Les systèmes sont notoirement complexes – et tout aussi mystérieux. Alors que les réseaux de neurones accordent un niveau d’analyse bien au-delà de l’esprit humain, ils offrent aux scientifiques peu d’indices sur la manière dont ils prennent leurs décisions.

En développant des techniques mathématiques comparant la façon dont différents types de réseaux de neurones apprennent, Raghu a découvert des informations surprenantes sur leur conception et a donné aux chercheurs de nouveaux outils pour introduire l’IA dans la clinique. Ces efforts pourraient un jour aider les cliniciens à poser des diagnostics plus rapidement aux patients, ou passer plus de temps à expliquer les soins d’un patient et à écouter attentivement toute préoccupation.

publicité

«J’espère vraiment que les réseaux de neurones peuvent aider à réduire la surcharge des données des patients», a-t-elle déclaré. «Les médecins auront donc plus de temps et de ressources pour les gens.»

SUne partie du succès de Raghu en informatique vient du chemin sinueux qu’elle a emprunté sur le terrain.

Enfant, elle a grandi dans cinq pays: l’Inde, la France, l’Afrique du Sud, les États-Unis et le Royaume-Uni. Elle s’est intéressée aux mathématiques dès son plus jeune âge, a participé à des compétitions internationales de l’Olympiade de mathématiques et a étudié les mathématiques à l’Université de Cambridge, avant de passer à l’informatique.

« [Life] c’est plus agréable lorsque vous apprenez beaucoup de choses », a déclaré Raghu. «Et c’est un thème récurrent tout au long de mes études et de ma carrière scientifique.»

Le doctorat de Raghu conseiller, Jon Kleinberg, voit les empreintes de ses intérêts très variés – pas seulement les mathématiques, mais aussi la médecine – dans son travail actuel avec l’IA.

«Elle a souvent été capable de faire le pont entre différentes choses», a déclaré Kleinberg, professeur d’informatique à l’Université Cornell. Il a souligné son travail entre le monde universitaire et l’industrie, ainsi qu’à l’intersection de l’informatique et de la médecine. «Elle a été très efficace pour avoir des impacts dans différentes communautés.»

Son intérêt pour la combinaison de l’IA et de la médecine a été façonné, en partie, par l’une de ses propres rencontres avec le système médical.

En 2014, lorsque Raghu a rejoint le département d’informatique de Cornell en tant que Ph.D. étudiante, elle a observé des réseaux de neurones formés pour reconnaître des images comme un chat ou un camion de pompier à partir d’une base de données contenant des millions d’images. Elle a instantanément pensé à un récent accident de ski. Elle avait subi une radiographie et une IRM, mais les résultats n’étaient pas concluants et elle s’est retrouvée dans un jeu d’attente minutieux. Il a fallu des jours à un médecin pour interpréter les résultats et confirmer qu’elle avait déchiré son LCA.

La partie vraiment stressante de la blessure n’était pas seulement de souffrir, mais aussi de ne pas savoir ce qui n’allait pas, a déclaré Raghu. «Nous avons en fait demandé à un ami de la famille, qui était médecin, de nous donner une lecture informelle sur l’IRM.

En regardant l’IA passer au crible les images, Raghu a considéré son potentiel pour aider les médecins à renvoyer plus tôt les résultats à des patients comme elle. Les réseaux neuronaux auraient pu scanner son IRM et offrir un diagnostic préliminaire qui serait plus tard confirmé par un radiologue, ou auraient pu signaler des patients avec des blessures plus graves nécessitant une attention rapide. Pour Raghu, savoir que son ACL était potentiellement déchiré l’aurait aidée à prendre certaines précautions de base – comme éviter de marcher – pour éviter des dommages supplémentaires à son genou.

La situation a piqué son intérêt au bon moment. De nouvelles connaissances, de plus grandes quantités de puissance de calcul et plus de données signifiaient que les réseaux de neurones avaient «juste explosé dans le niveau de performance qu’ils étaient capables d’atteindre», a déclaré Kleinberg.

Mais en raison de la complexité impliquée dans la construction de réseaux de neurones, il n’était pas encore clair comment traduire leur puissance de calcul brute dans un contexte médical.

Dans leur forme la plus élémentaire, les réseaux de neurones sont un groupe de nœuds de traitement densément interconnectés – également appelés neurones – qui sont regroupés en couches. Au fur et à mesure qu’un réseau apprend à effectuer une tâche, des couches de neurones sont entraînées à se transmettre des données, imitant la manière dont les informations sont transmises par le cerveau humain. Les grands réseaux peuvent contenir des millions de neurones couvrant plusieurs couches, laissant aux chercheurs une multitude d’options de conception, chaque décision ayant potentiellement des impacts dramatiques sur les performances du réseau.

«Vous vous dites: ‘J’ai quelque chose qui fonctionne aussi bien, et j’aimerais que ça aille mieux. Mais que dois-je faire et où dois-je aller? », Dit Raghu.

OUn raccourci pour concevoir des réseaux neuronaux capables d’analyser des images médicales est d’adapter un réseau déjà formé pour reconnaître des images d’Internet ou d’une grande base de données. L’espoir est que, avec un peu de raffinement et de recyclage, le réseau peut utiliser ses connaissances générales des images pour aider à déchiffrer des images spécialisées comme les rayons X ou les IRM.

Les recherches de Raghu se sont concentrées sur le fait de rendre ce processus – appelé «apprentissage par transfert» – aussi efficace que possible, ainsi que sur la découverte de règles de base pour la construction de réseaux afin que les scientifiques puissent moins compter sur les suppositions et les vérifications.

Son point de vue clé a été le développement d’outils mathématiques pour étudier comment des réseaux structurés différemment analysent les images. Au lieu de se concentrer sur les neurones individuels, difficiles à comparer entre les réseaux, Raghu s’est concentré sur la façon dont les couches ou les groupes de neurones travaillent ensemble pour trouver des modèles dans les données. Cette approche a commencé à répondre à plusieurs questions fondamentales. Parmi eux: comment les petits réseaux se comparent-ils aux grands réseaux lorsqu’il s’agit de s’adapter à de nouvelles images? Et quelle part de la formation initiale d’un réseau est oubliée pendant l’apprentissage par transfert?

«Sa créativité se démarque», a déclaré Kleinberg. «Elle a tendance à trouver des approches créatives auxquelles les autres n’ont pas pensé.»

Le travail de Raghu a également révélé des résultats contre-intuitifs, notamment le fait que les réseaux de neurones plus petits et plus simples fonctionnent presque aussi bien que les réseaux plus grands et plus complexes en matière d’analyse médicale.

Son travail suggère qu’au lieu de recycler des réseaux de neurones entiers pour des applications médicales, il pourrait être plus efficace de recycler ses couches les plus basses et de repenser les couches supérieures pour des applications personnalisées, telles que le diagnostic de certaines conditions médicales.

«Je suis tourné vers l’avenir», a déclaré Raghu, «je suis vraiment enthousiasmé par le potentiel de certaines de ces techniques pour contribuer à la conception de systèmes pour de nouveaux types de données. En particulier, Raghu souhaite créer des réseaux de neurones qui combinent des informations provenant d’un large éventail d’informations sur les patients, notamment des images, des notes du médecin et des résultats de tests de laboratoire.

«Vous allez avoir encore plus de choix sur la façon dont le processus de conception doit fonctionner, et c’est un endroit où les techniques qui vous donnent un aperçu vont vous aider», a-t-elle ajouté.

À l’avenir, Raghu souhaite également étendre ses recherches au-delà de la conception de l’intelligence artificielle pour explorer comment les réseaux de neurones peuvent être déployés dans les hôpitaux d’une manière qui soit sensible aux besoins des patients.

Son expérience d’enfance dans plusieurs régions du monde lui a donné un aperçu particulier de la façon dont ces besoins peuvent varier d’un patient à l’autre, a déclaré Raghu. Cela pourrait signifier une différence dans la fréquence à laquelle les gens veulent voir un médecin, la quantité de médicaments qu’ils sont prêts à prendre ou même le degré d’interaction qu’ils souhaitent avec un fournisseur, a-t-elle déclaré.

«Ce sont des choses dont il est vraiment important d’être respectueux», a déclaré Raghu. «Pour la médecine et les soins de santé, la partie humaine est tellement importante.»