Afin d’accompagner les professionnels de santé dans cette transition qui peut parfois être abrupte, nous explorerons à travers cet article les principales techniques d’intelligence artificielle développées en santé.
Ainsi, nous aborderons directement une pierre angulaire de l’IA moderne : le réseau de neurones ou comment un algorithme peut-il apprendre ? Nous explorerons ensuite les différentes stratégies de design algorithmique. Puis, dans une partie centrale, nous présenterons les grandes familles d’IA et illustrerons ces dernières par des exemples clefs. Enfin, nous discuterons des défis et des perspectives de ces technologies.
Le réseau de neurones ou comment un algorithme peut-il apprendre ?
Tout l’enjeu de l’IA réside dans la capacité à transférer une compétence cognitive à une machine. Il faut donc que l’algorithme soit capable d’apprendre et d’optimiser afin de converger vers une solution optimale qui se rapproche de l’arbre de décision humain.
Les réseaux de neurones sont inspirés du cerveau humain et sont composés de couches de neurones artificiels (correspondant à des fonctions mathématiques simples d’agrégation) qui peuvent apprendre à reconnaître des motifs complexes (features) dans les données [2]. Le deep learning, ou apprentissage profond, correspond à un réseau de neurones avec de nombreuses couches, donc un degré de liberté plus important, permettant ainsi à la machine d’apprendre à partir de grandes quantités de donnée [3].
Prenons l’exemple d’un réseau de neurones dont l’objectif serait de détecter sur une radiographie les tissus durs dentaire (fig. 1) [4]. Le réseau prend en donnée d’entrée (input) une série de pixel dont la valeur correspond à une échelle de niveau de gris. Chaque neurone (rond sur la figure) agrège l’ensemble des informations de la couche précédente via les flèches (poids) qui convergent vers lui. Ainsi, le neurone bleu a pour valeur…
