L'intelligence artificielle au service de la médecine personnalisée
© iStock
Moins d’un an après son lancement, le Swiss Data Science Center, initiative commune entre l’EPFL et l’ETHZ, a lancé huit projets dans des domaines aussi variés que la médecine personnalisée, les questions environnementales ou encore de l’Open Science. Multidisciplinaires et collaboratives, ces initiatives marient les expertises afin de répondre aux problèmes les plus complexes de notre temps.
Révolutionner la prise en charge personnalisée des patients atteints d’un cancer? C’est le défi auquel répondra l’un de ces huit projets, mené en collaboration entre le Laboratoire de traitement des signaux (LTS4) de l’EPFL et le CHUV. En analysant des images de tissu tumoral à l’aide de nouveaux algorithmes de machine learning, les scientifiques chercheront à mettre en évidence les caractéristiques qui différencient les tumeurs. Cette classification poussée pourrait permettre ensuite de définir les traitements les plus efficaces selon chaque particularité, afin d'adapter et de personnaliser au maximum le choix des traitements prescris aux malades. Ces informations, encore peu exploitées, pourront être obtenues grâce à l’analyse automatique de nombreuses données. «La médecine personnalisée est en plein développement, notamment à travers le séquençage à haut débit», souligne Olivier Michielin, médecin chef de la division d’oncologie personnalisée analytique du CHUV. «A l’heure actuelle, la morphologie des tumeurs est observée sous le microscope par les spécialistes de la pathologie. Cela permet de guider le choix thérapeutique». Si ce processus permet déjà une classification des tumeurs en plusieurs sous-types, l’utilisation d’algorithmes complexes et interprétables en complément de l’analyse humaine pourrait marquer un passage à la vitesse supérieure.
Développer des traitements personnalisés
Pour traiter toutes ces données, les chercheurs de l’EPFL apporteront leur expertise en machine learning, à savoir la mise en place d’algorithmes automatiques, capables d’apprendre des modèles et de détecter des caractéristiques importantes dans de grandes collections de données. Dans ce projet, l’objectif sera d’obtenir des méthodes interprétables, pour que les médecins puissent évaluer et valider les résultats obtenus par l’ordinateur. «Si le système classe telle tumeur dans telle catégorie, nous devons pouvoir comprendre pour quelle raison, quelle caractéristique dans l’architecture du tissu tumoral a conduit à cette décision», indique Olivier Michielin. «Le machine learning, et en particulier les architectures actuelles de deep learning, permet d’arriver à de très bonnes prédictions dans plusieurs applications, mais il n’est pas immédiat de comprendre en détail les résultats fournis par ces systèmes complexes», ajoute Pascal Frossard, à la tête du Laboratoire de traitement des signaux (LTS4). Or dans le domaine médical, il est indispensable que les médecins puissent interpréter les raisons qui ont mené à une conclusion, avant de prendre des décisions.
Le projet se concentrera sur l’analyse de données concernant le mélanome, la tumeur de la peau la plus agressive. Il s’intéressera particulièrement à prédire la réponse de cette tumeur au traitement par immunothérapie. Cette méthode consiste à stimuler le système immunitaire de la personne malade, afin qu’il se défende contre les cellules cancéreuses. «Ce type de traitement permet d’obtenir de très bon résultats, mais pas chez tous les patients, précise Olivier Michielin. Notre objectif sera donc de comprendre pourquoi, et voir quelles caractéristiques précises permettent une réponse positive, permettant ainsi de sélectionner le meilleur traitement pour un patient donné.»
Des projets multidisciplinaires
D'autres projets menés en collaboration par l’EPFL permettront par exemple de créer une plate-forme réunissant et rendant publique les données uniques récoltées lors des expéditions en Antarctique du projet Antarctic Circumnavigation Expedition (ACE), pour lequel quelque 150 scientifiques ont cherché à mieux comprendre les effets du réchauffement climatique dans l’océan Austral et ses implications sur l’ensemble de la planète. Ou encore, à développer une plate-forme destinée à des concours de science des données en libre accès, afin de réunir des scientifiques du monde entier autour de défis tels que diagnostiquer des maladies chez les plantes, prédire la taille d’une personne, ou apprendre à un squelette virtuel à marcher et courir.
Un projet national
Le Swiss Data Science Center est une initiative nationale mise en place dans le but d'innover dans le domaine de la science des données et de l'informatique, et d'offrir une infrastructure pour promouvoir la recherche multidisciplinaire et la science ouverte. Il s'agit d'une entreprise commune de l'EPFL et l'EPF de Zürich disposant de bureaux à Lausanne et à Zürich. L'initiative permettra à la Suisse de posséder expertise et excellence dans la science des données tout en se battant pour être compétitive à l’échelle mondiale.
«iLearn : Interpretable learning methods for immunotherapy», un projet mené en collaboration entre le Laboratoire de traitement des signaux (LTS4) de l’EPFL et la division d’oncologie du CHUV.