Le Machine Learning se définit par une approche statistique sur un ensemble de données qui permet à la machine de s’approcher progressivement du raisonnement humain avec l’expérience. Sa mise en œuvre suscite des inquiétudes dans le domaine de la biologie médicale. Les auteurs sont partis de l’hypothèse qu’il serait « tout à fait envisageable de d’utiliser des moteurs de Machine Learning statistiques pour élaborer des règles compréhensibles et les mettre en application de manière déterministe », ce qui permettrait de les intégrer dans les systèmes d’aide à la validation biologique (SAVB) déjà utilisés en biologie médicale.
L’expérimentation réalisée par SIL-LAB Expert, en collaboration avec le laboratoire BIO 86 à Poitier et la société ISoft a été menée sur les données réelles anonymisées du laboratoire BIO 86 (12 sites, 3000 dossiers par jour), avec le logiciel Amadea, de la société Isoft. Ce travail permis de mettre en évidence une plus grande subtilité de validation, plus en adéquation avec la réalité biologique avec le Machine Learning comparé aux SAVD. Il a également fait ressortir le rôle essentiel de l’expertise du biologiste pour trier et affiner les règles identifiées par le Machine Learning. « La combinaison de l’Intelligence Humaine et de l’Intelligence Artificielle est l’approche la plus pertinente pour caractériser finement une pathologie » affirment ainsi les auteurs.
Une comparaison avec le domaine de la sécurité financière qui partage des problématiques similaires de mise en œuvre du Machine Learning a ensuite été effectuée, mettant en évidence quatre caractéristiques qui devraient, selon les auteurs, être transposées aux solutions d’IA appliquée au domaine médical : la traçabilité et explicabilité des données, l’analyse comportementale, la détection d’évènements rares et la combinaison du Machine Learning et de l’expertise humaine.
La dernière partie du rapport défini les contours d’une méthodologie d’utilisation de l’IA en biologie médicale à travers une solution hybride combinant Machine Learning et expertise humaine. Les auteurs concluent sur le fait que le Machine Learning est « avant tout un outil d’aide décisionnel précieux » et permettrait aux laboratoires de biologie médicale et aux biologistes de « devenir la pierre angulaire de la médecine préventive et personnalisée de demain ».
Retrouvez le rapport IA et Biologie Médicale – Cas Réel