Accéder à l'intelligence artificielle en analyse d'images en un clic

Ces cinq dernières années, une grande partie de l’analyse des images scientifiques est passée des traditionnelles méthodes mathématiques et physiques à un traitement centré sur les données et l’intelligence artificielle. Un bon en avant qui simplifie, accélère et automatise l’identification et la découverte de détails pertinents dans tous les domaines scientifiques. En sciences de la vie, une base de modèles basée sur l’apprentissage profond est à disposition des chercheurs pour accéder à cette nouvelle dimension d’analyses. Son utilisation nécessite cependant un bagage en programmation informatique que très peu de chercheurs en sciences de la vie possèdent. Afin de faciliter le travail de ces derniers, des spécialistes de l’analyse d’images de l’EPFL et de l’Université Carlos III de Madrid ont, en synergie avec les missions de l’EPFL Center for Imaging, créé une interface open source -deepImageJ- qui fait aujourd’hui l’objet d’une publication dans Nature Methods.

Utilisation de réseaux de neurones dans le domaine biomédical

Les modèles d'apprentissage profond constituent une avancée majeure pour de nombreux domaines scientifiques centrés sur l’imagerie, comme le diagnostic ou la mise au point de nouveaux traitements. En bio-imagerie, les réseaux neuronaux permettent de détecter parmi une grande quantité d’images, aussi bien des lésions dans les tissus biologiques, que les synapses des neurones ou encore la morphologie des membranes cellulaires et des noyaux, par exemple. Ils présentent une architecture idéale pour reconnaitre et classifier des images, identifier des éléments ou encore prédire des données.

Ce type d’intelligence artificielle, dite supervisée, demande à l’ordinateur d’apprendre une tâche à partir d’un grand nombre de données préalablement annotées. Un fonctionnement similaire aux systèmes de vidéosurveillance qui identifient les visages, ou aux applications de photographie mobile qui améliorent les clichés. Ces réseaux peuvent être entraînés pour des missions spécifiques, liées à une recherche en particulier, comme la reconnaissance de certaines cellules, de lésions tissulaires ou encore l’amélioration de la qualité des images. Le réseau de neurones est entrainé pour une tâche à exécuter, puis sauvegardé dans un « modèle ».

Lancer l’IA sans voir une seule ligne de code

Pour les images biomédicales, un consortium de chercheurs européens est en train de construire une banque de ces réseaux de neurones, appelée BioImage Model Zoo. « La formation de modèles nécessite des ressources et des connaissances techniques, notamment en langage Python, peu communes parmi les chercheurs en science de la vie », souligne Daniel Sage, responsable de la mise au point de deepimageJ pour l’EPFL Center for Imaging. « Par contre l’utilisation de ces derniers devrait être à la portée de tous ».

L’interface mise au point par les chercheurs suisses et espagnols, deepImageJ, fait le lien entre ces réseaux de neurones et l’utilisateur final. Il est maintenant possible qu’un chercheur en science de la vie demande à un informaticien d’entrainer une machine à effectuer une tâche spécifique, qu’il pourra ensuite utiliser simplement via l’interface utilisateur, sans voir une seule ligne de code. Ce nouveau système, open source et gratuit, accélère ainsi la transmission des avancées informatiques et la publication des résultats de la recherche biomédicale. Il est de plus conçu comme un outil collaboratif dans lequel peuvent interagir ingénieurs, informaticiens, mathématiciens et biologistes. Le travail d’un étudiant de l’EPFL, intégré dans une équipe multipdisciplinaire, permet par exemple de distinguer les cellules humaines de cellules de souris dans une coupe de tissu.

Les chercheurs assurent également la formation des utilisateurs

Ce système était imaginé ou espéré depuis plusieurs années par de nombreux chercheurs en science de la vie sur le plan international, mais personne n’avait encore pris le taureau par les cornes et planché sur la question. L’EPFL Center for Imaging a décidé de s’y atteler. Une équipe helvetico-espagnole, pilotée par Michael Unser, directeur académique de l’EPFL Center for Imaging, Daniel Sage et Arrate Muñoz Barrutia, professeure à l’Université Carlos III de Madrid. Cette dernière a mené le développement opérationnel avec l’une de ses doctorantes, Estibaliz Gomez-de-Mariscal, ainsi qu’un étudiant en informatique.

Afin d’élargir encore l’accès à cet outil, des séminaires virtuels, des contenus pédagogiques et des portails en ligne sont mis sur pieds pour pouvoir exploiter tout le potentiel qu'offre l'intelligence artificielle. Ils s’adressent aussi bien aux programmeurs qu'aux chercheurs en science de la vie afin qu'ils puissent aborder rapidement ce type de méthodologies. DeepImageJ sera aussi présenté à ZIDAS, une série de cours autour des données et de l’analyse pour les chercheurs suisses en biologie.