Radiologie: naissance d'un projet d'écosystème français de l'IA consacré à l'imagerie médicale

L'annonce a été faite "au nom du conseil national professionnel de la radiologie française (G4)", ont précisé les deux professionnels en clôture du séminaire organisé à Lyon par la FNMR et consacré à l'IA.

Cet écosystème entend concurrencer les géants du web en tête de peloton dans la course à l'IA et "sera indépendant des GAFA (Google, Apple, Facebook, Amazon) américains et BATX (Baidu, Alibaba, Tencent et Xiaomi) chinois".

Face aux représentants de la société civile et à une myriade d'experts internationaux représentant les communautés scientifiques, politiques et philosophiques, le Dr Jean-Philippe Masson et le Pr Jean-François Meder ont vanté un "big data potentiel de plus de 500 millions de dossiers médicaux et libellés, grâce à l'exhaustivité des comptes-rendus radiologiques archivés par les médecins radiologues des services d'imagerie médicale français depuis cinq ans".

Cette base de données pourrait être utilisée pour leur recherche en IA mais les professionnels ont insisté sur l'importance de "répondre au défi médical et technique que représente l'intégration de ce big data" tout en respectant "les règles éthiques et législatives".

Ce futur écosystème porté par le G4 s'inscrit dans le chantier du plan français de développement numérique et ses initiateurs ne "doutent pas d'avoir le plein soutien de l'Etat", notamment pour son financement.

Le projet "permettra d'assurer l'indépendance de la radiologie française en respectant la culture de l'imagerie médicale francophone ainsi que sa vision humaniste afin que cette technologie de rupture place toujours le patient au coeur du système de santé", ont-ils plaidé.

Selon une enquête de la SFR présentée en octobre 2017, 82% des radiologues affirment que l'IA peut améliorer la pertinence des décisions cliniques et 80% pensent qu'elle peut optimiser la productivité.

L'intelligence artificielle regroupe plusieurs procédés informatiques, dont le deep learning (apprentissage profond), sous-catégorie des technologies de machine learning (apprentissage machine), qui donnent aux ordinateurs la capacité d'apprendre.

Ces techniques font appel à différentes méthodes d'apprentissage supervisé ou non par l'homme et répondent à des problématiques de "classification" des images médicales, au coeur des préoccupations quotidiennes des radiologues (voir dépêche du 26 octobre 2017).