L’intelligence artificielle (IA) est partout. De votre smartphone suggérant le chemin le plus rapide pour aller au travail aux outils qui génèrent du texte et des images en quelques secondes, l’IA est rapidement devenue un mot à la mode qui semble à la fois excitant et déstabilisant.
Mais que signifie vraiment l’IA, et comment s’intègre-t-elle dans des projets de santé comme VasculAI, dont l’objectif est de développer un bracelet intelligent capable d’aider à détecter et à prédire les maladies cardiovasculaires, même avant qu’elles ne surviennent ?
Nous vous guiderons ici à travers les fondamentaux de l’IA : ce que c’est, ce qui la rend si puissante (et parfois mystérieuse), et comment nous l’utilisons de manière responsable dans le cadre du projet VasculAI.
- L’IA est-elle le prochain « .com » ?
Aujourd’hui, il semble que presque chaque produit, des brosses à dents aux tracteurs, prétende avoir de l’IA intégrée. Il est facile d’être sceptique et de se demander si nous assistons à la prochaine grande bulle technologique. L’histoire offre une comparaison utile : le boom des .com à la fin des années 1990 et au début des années 2000.
À l’époque, Internet était le nouveau mot magique. Les entreprises se sont précipitées pour ajouter « .com » à leurs noms, les investisseurs ont afflué avec de l’argent, et les attentes ont grimpé en flèche. Oui, la bulle a finalement éclaté, mais elle a donné naissance aux fondations de la vie moderne : Amazon, Google et Apple, pour n’en nommer que quelques-uns. L’engouement s’est estompé, mais la technologie a perduré et transformé notre monde.
L’IA pourrait suivre un chemin similaire. Il y a certainement de l’engouement, et tous les produits « alimentés par l’IA » ne tiennent pas leurs promesses. Pourtant, derrière le bruit, de réels progrès redéfinissent des secteurs allant de la médecine à la mobilité.
Le projet VasculAI en est un exemple. Ici, la décision d’utiliser l’IA était délibérée et fondée sur la science, et non sur le marketing. Pour comprendre pourquoi, il est utile de d’abord saisir ce qu’est réellement l’IA, et ce qu’elle n’est pas.
- L’IA est bien plus que ChatGPT
Lorsque les gens entendent « IA » aujourd’hui, beaucoup pensent immédiatement à ChatGPT ou à ces vidéos générées par IA qui inondent les réseaux sociaux. Ces dernières appartiennent à un domaine en pleine avancée appelé IA Générative (GenAI) : des modèles entraînés pour produire du nouveau contenu tel que du texte, des vidéos, du code ou même de l’art. Mais l’IA Générative n’est qu’une petite partie du paysage beaucoup plus vaste de l’IA.
En réalité, l’IA est un terme générique désignant une famille de techniques computationnelles visant à imiter ou à augmenter des aspects de l’intelligence humaine : apprendre à partir de données, raisonner, faire des prédictions ou reconnaître des motifs.
Beaucoup de ces méthodes remontent à des décennies. Les arbres de décision, les machines à vecteurs de support et les régressions linéaires étaient tous considérés comme de l’IA bien avant que l’apprentissage profond ne prenne le devant de la scène.
Pour simplifier, nous pouvons distinguer deux grandes catégories :
- Machine Learning (ML)
Les humains décident d’abord quelles caractéristiques des données pourraient être pertinentes. Par exemple : la fréquence cardiaque moyenne, la variabilité du signal ou la plage de pression artérielle. Le modèle apprend des motifs en utilisant ces entrées conçues et une sortie connue liée, comme une étiquette désignant une maladie cardiaque spécifique. Ces modèles sont relativement simples, rapides et faciles à interpréter. Bien que cela puisse sembler négatif, ces propriétés sont hautement positives, et le ML ne devrait pas être négligé même s’il est éclipsé par son frère séduisant : l’Apprentissage Profond. - Deep Learning (DL)
Au lieu de prédéfinir ce qu’il faut rechercher, nous alimentons le modèle avec des données brutes (comme des signaux ECG complets), et il apprend automatiquement quels motifs sont importants pour produire son résultat. Nous, les chercheurs, définissons une architecture « d’Apprentissage Profond », dont les combinaisons sont infinies, et le modèle met à jour les valeurs de l’architecture pour l’optimiser pour la tâche souhaitée. Cette approche de bout en bout a permis des percées dans presque tous les domaines, tels que la reconnaissance vocale, la classification d’images et le diagnostic médical.
Cette différence, entre les modèles qui s’appuient sur des caractéristiques définies par l’homme et ceux qui apprennent directement à partir des données, est au cœur du récent essor de l’IA, de la puissance de l’IA et de sa complexité.
- Apprentissage profond : puissant, prometteur et un peu mystérieux
Les modèles d’apprentissage profond sont souvent décrits comme des approximateurs universels de fonctions.
Cela signifie que si une relation existe entre l’entrée et la sortie, même une que nous ne comprenons pas entièrement, un modèle suffisamment grand et bien entraîné peut, en théorie, l’apprendre. C’est à la fois incroyable et un peu troublant.
C’est incroyable car cela permet à l’IA de trouver des motifs invisibles aux humains ou aux méthodes d’analyse traditionnelles. Par exemple, dans des recherches récentes, nos partenaires de l’UGent (Université de Gand) ont développé ECGencode, un modèle d’apprentissage profond capable de détecter des irrégularités subtiles du rythme cardiaque. À partir d’un ECG standard qui semble parfaitement sain pour un cardiologue, le modèle peut tout de même estimer un score de risque pour la fibrillation auriculaire (FA), une condition où le cœur bat de manière irrégulière et augmente le risque d’accident vasculaire cérébral. Cela montre qu’il existe des marqueurs cachés dans les ECG que l’œil humain ne peut pas voir, mais que l’IA peut détecter. Cela ouvre la voie à un dépistage à grande échelle pour les patients à risque, quelque chose qui n’était auparavant pas réalisable.
En même temps, c’est ce qui rend l’apprentissage profond effrayant. Nous ne savons souvent pas comment le modèle a atteint sa conclusion. Le processus à l’intérieur d’un réseau de neurones, des millions de poids et d’activations interconnectés qu’il apprend par lui-même, n’est pas facilement interprétable, et parfois pas interprétable du tout. Dans le domaine de la santé, où les décisions affectent des vies, cette nature de « boîte noire » soulève une question légitime : comment pouvons-nous faire confiance à la sortie d’un modèle si nous ne pouvons pas l’expliquer ?
C’est ici que l’explicabilité, l’interprétabilité et une validation rigoureuse deviennent essentielles. Dans VasculAI, nous abordons ces défis de manière directe. Notre objectif n’est pas de créer un système qui remplace les cardiologues, mais de fournir un outil d’aide à la décision qui les aide à prendre de meilleures décisions plus tôt, et de permettre le dépistage de patients qui pourraient autrement passer inaperçus.
- Le Coût Computationnel de l’Intelligence
Un autre défi majeur de l’IA moderne est son coût computationnel. Les grands modèles d’apprentissage profond peuvent nécessiter des millions, voire des milliards de paramètres et d’opérations en virgule flottante, les rendant gourmands en énergie et lents. Ils sont coûteux à entraîner et nécessitent encore une puissance significative lorsqu’ils sont utilisés en pratique.
Cela rend de nombreux modèles complexes incompatibles avec les contraintes d’un dispositif portable fonctionnant sur une petite batterie, comme celui que nous visons à construire avec VasculAI. Nous ne pouvons pas simplement prendre un modèle massif entraîné dans le cloud et espérer qu’il fonctionne efficacement sur un bracelet. Au lieu de cela, nous concevons des architectures légères qui offrent une grande précision avec un minimum de puissance de calcul.
Cette philosophie a inspiré le modèle CSD-AFNet, développé par nos partenaires de l’Université de Gand. Il atteint des performances de pointe dans la détection et la prédiction des arythmies basées sur l’ECG, tout en réduisant le coût computationnel jusqu’à cent fois par rapport aux modèles d’apprentissage profond conventionnels. En d’autres termes, il fonctionne assez rapidement pour un usage réel sans perte de performance significative : une étape cruciale vers une IA qui fonctionne réellement sur des dispositifs portables. - Ce que l’IA signifie pour VasculAI
Après cette mise en contexte, concentrons-nous sur ce que l’IA fait réellement dans le projet VasculAI.
La mission de VasculAI est de développer un bracelet intelligent et multimodal qui rassemble des données provenant de plusieurs capteurs et d’une caméra thermique pour détecter les signes avant-coureurs de maladies cardiovasculaires. Pour y parvenir, nous intégrons ces flux de données divers et appliquons différents types d’IA pour découvrir des relations subtiles et complexes qui autrement resteraient cachées. Notre approche est la suivante :
- Méthodes traditionnelles explicables
Lorsque les relations entre les variables sont bien comprises, comme l’augmentation de la fréquence cardiaque avec l’exercice, nous utilisons des algorithmes ‘simples et transparents’. Ceux-ci sont efficaces sur le plan computationnel et s’alignent étroitement avec le raisonnement médical. - Apprentissage automatique classique avec des caractéristiques conçues
Dans les cas où l’explicabilité est essentielle, par exemple, pour identifier des motifs qu’un cardiologue peut interpréter, nous utilisons des modèles d’apprentissage automatique traditionnels. Ici, l’expertise humaine guide la sélection des caractéristiques, facilitant ainsi la traduction des résultats en informations exploitables. - Apprentissage profond pour des interactions multimodales complexes
Lorsque les relations entre les données sont trop complexes ou pas encore comprises, par exemple, des corrélations subtiles entre plusieurs capteurs, nous utilisons l’apprentissage profond.
Notre attention se tourne alors vers l’assurance que ces modèles restent légers sur le plan computationnel et explicables, en utilisant des techniques qui visualisent pourquoi un modèle a fait sa prédiction.
Le principe directeur est simple : utiliser la méthode la plus simple qui fonctionne bien et en laquelle on peut avoir confiance. L’IA dans VasculAI n’est pas un slogan marketing. Nous n’avons pas l’intention de sur-ingénier ou de vendre à outrance. C’est un ensemble d’outils soigneusement sélectionnés qui étend l’intuition humaine, sans la remplacer.
- Réflexions finales
L’IA est souvent présentée comme une révolution qui changera tout du jour au lendemain. En réalité, son véritable impact réside dans la manière dont nous l’utilisons : avec réflexion, responsabilité et en collaboration avec des experts du domaine. Dans des projets comme VasculAI, l’IA devient un pont entre les données brutes des capteurs et une compréhension médicale significative. Elle aide à détecter des motifs trop subtils pour que les humains les remarquent, offrant une chance d’agir avant que des problèmes cardiovasculaires ne se développent.
Bien sûr, des défis demeurent, allant de l’assurance de l’interprétabilité à la nécessité de rendre les modèles suffisamment efficaces pour les dispositifs portables, mais chaque étape nous rapproche d’une IA de santé pratique et fiable.
L’IA ne remplacera pas les médecins, mais elle peut les aider à voir ce qui est autrement invisible. Et c’est précisément là le but de VasculAI.
