Ultra performante pour apprendre d'un grand volume de données et les caractériser, elle semble adaptée pour relever les défis posés à l'imagerie médicale en particulier. Ils sont nombreux : vieillissement de la population, recours plus systématique à l'imagerie en prévention, diagnostic ou suivi, et enfin envolée du volume d'images, portée par des équipements qui produisent désormais 1 000 à 1 500 images par examen, soit... 40 fois plus qu'il y a 30 ans. On demande aux radiologues submergés de lire à la chaîne des milliers d'images, les éloignant paradoxalement de leurs patients.
Tout porte à croire que la révolution attendue arrive: un grand volume de données numériques, des puissances de calculs inédites et des questions de détection ou caractérisations souvent bien circonscrites. L'entraînement de modèles d'apprentissage machine performants devient une réalité.
Tout d'abord, ces solutions, malgré les performances annoncées et publiées, se heurtent souvent à la diversité des images et cas à traiter. L'intelligence artificielle se fait alors bêtise naturelle, lorsque le caractère statistique de leur entraînement leur fait manquer tumeur identifiable par un néophyte, mais anormale et donc absente de sa base d'apprentissage...
Ensuite, les autorités compétentes restent perplexes sur la manière de contrôler et approuver ces objets d'un nouveau type, qui prétendent évoluer de manière constante. Comment assurer que la sûreté et la performance du produit se maintiendront sans demander à chaque évolution une nouvelle soumission réglementaire?
Tous ces défis passionnants nous rappellent que l'IA offre une opportunité unique pour répondre à plusieurs problèmes de nos systèmes de santé en déséquilibre. Charge aux fournisseurs de contenus d'innover et proposer des solutions informatiques d'infrastructure simples et permettant le passage à l'échelle. Les médecins, premiers utilisateurs, doivent rester au coeur de la transformation, accompagnés pour appréhender les outils, et associés à la création.