Les grands modèles de langage (LLM) peuvent-ils aider les neurologues à analyser les victimes d’AVC ?

L’intelligence artificielle (IA) est l’une des plus grandes percées technologiques de cette décennie. Le lancement de ChatGPT a particulièrement propulsé l’IA dans le grand public, avec ses applications s’étendant à divers secteurs, y compris la santé. Notamment, les neurologues sont susceptibles de bénéficier de manière significative de l’utilisation de l’IA pour localiser avec précision les zones d’AVC dans le cerveau, comme révélé par une étude récente.

En parlant d’AVC, ils constituent l’une des principales causes de mortalité chez les Américains ; toutes les 40 secondes, une personne aux États‑Unis subit un AVC, et toutes les 3 minutes 14 secondes, une personne en décède. Au‑delà de la mortalité, les AVC peuvent également entraîner des handicaps à long terme. Ainsi, identifier le lieu de l’AVC dans le cerveau peut aider à prédire ses effets à long terme, qui peuvent varier largement, allant d’une altération de la mobilité d’un individu à des troubles du langage et de la parole. De plus, l’IA peut aider à déterminer le pronostic d’une personne et à identifier le meilleur traitement.

Typiquement, les scanners cérébraux aident à trouver l’emplacement des lésions, qui sont des zones de tissu endommagé par les AVC. Cependant, tout le monde n’a pas accès à des neurologues pour les scanners cérébraux. 

Pour combler cette lacune, « nous voulions déterminer si GPT‑4 pouvait localiser avec précision les lésions cérébrales après un AVC en se basant sur les antécédents de santé d’une personne et un examen neurologique », a déclaré l’auteur de l’étude Jung‑Hyun Lee, MD, membre de l’American Academy of Neurology et de la State University of New York, Downstate Health Sciences University à Brooklyn. 

Parmi les autres participants de l’étude figurent Eunhee Choi, MD, Département de médecine interne, Lincoln Medical Center, NY ; Robert McDougal, MD, Département de biostatistique à la Yale School of Public Health et Programme de biologie computationnelle et bioinformatique à l’Institut Wu‑Tsai ; et William W. Lytton, MD, Département de neurologie à la State University of New York Downstate Health Sciences University et Département de neurologie à Kings County Hospital.

Publié dans le journal en ligne de l’American Academy of Neurology, Neurology® Clinical Practice, l’étude a démontré la capacité de l’IA à traiter le texte des examens neurologiques et des antécédents de santé afin d’identifier l’emplacement de la lésion dans le cerveau. 

Pour cela, l’équipe a utilisé le grand modèle de langage (LLM) GPT‑4. Ce transformeur génératif pré‑entraîné est entraîné sur d’énormes quantités de données et a montré des « capacités remarquables » à générer des réponses textuelles à des requêtes basées sur du texte.

Cette initiative n’est pas la première du genre, la fonctionnalité des LLM ayant déjà été explorée pour répondre à des questions libres posées par des médecins. Cependant, les logiciels précédemment développés pour la localisation des lésions étaient plutôt limités en portée. Le but de cette étude est d’évaluer la capacité de GPT‑4 à localiser les lésions d’AVC aiguës à partir de la présentation clinique, montrant ainsi le rôle potentiel que l’IA peut jouer comme outil clinique en neurologie pour l’avenir.

Huge Potential

Dans cette étude, les chercheurs ont compilé les antécédents de santé et les examens physiques neurologiques de 46 cas publiés de personnes ayant subi un AVC. Ces données textuelles ont ensuite été introduites dans GPT‑4. En utilisant les techniques de prompting Zero‑Shot Chain‑of‑Thought et de classification de texte, le modèle a été chargé de répondre à trois questions spécifiques concernant chaque patient, répétées trois fois : si le participant présentait une lésion unique ou multiple, de quel côté du cerveau les lésions étaient situées, et dans quelle région du cerveau les lésions se trouvaient. 

En comparant les résultats de GPT‑4 avec les scanners cérébraux de chaque participant, les chercheurs ont constaté que les résultats étaient assez satisfaisants, à l’exception des lésions du cervelet et de la moelle épinière.

GPT‑4 a démontré un haut degré de précision dans l’identification de l’emplacement des lésions cérébrales pour la majorité des cas, atteignant une spécificité de 87 % (pourcentage de négatifs correctement identifiés) et une sensibilité de 74 % (pourcentage de positifs réels correctement identifiés). Le modèle a également atteint une spécificité de 94 % et une sensibilité de 85 % lors de la détermination des régions cérébrales les plus affectées.

L’étude a en outre constaté que le modèle identifiait de façon constante le nombre de lésions cérébrales chez 76 % des participants, l’emplacement des lésions chez 83 %, et les régions cérébrales spécifiques impliquées dans 87 % des cas. Cependant, lorsqu’on évalue les réponses du modèle aux trois questions sur trois tentatives pour chaque participant, sa cohérence a fortement diminué, GPT‑4 ne fournissant des réponses précises que pour 41 % des participants. 

Cela indique que les LLM, tels que les transformeurs génératifs pré‑entraînés (GPT), ne sont « pas encore prêts à être utilisés en clinique ». Néanmoins, ils montrent un potentiel pour identifier l’emplacement des lésions post‑AVC et pourraient réduire les disparités en santé, grâce à leur capacité à fonctionner dans différentes langues. 

L’étude souligne également l’importance croissante de l’expertise neurologique pour l’intervention en cas d’AVC, notamment avec l’essor de la télémédecine. De plus, le modèle peut aider à prendre des décisions rapides pour évaluer la nécessité d’études d’imagerie supplémentaires ou même d’une consultation neurologique. 

Selon Lee : 

« Leur potentiel d’utilisation est encourageant, surtout en raison du grand besoin d’améliorer les soins de santé dans les zones mal desservies de plusieurs pays où l’accès aux soins neurologiques est limité. »

Il convient de noter que la précision de GPT‑4 dépend de la qualité des données qui lui sont fournies, et que des informations détaillées sur les antécédents médicaux et les examens neurologiques ne sont pas toujours disponibles pour chaque personne ayant subi un AVC. 

L’étude a souligné que les chercheurs travaillaient avec un LLM dépourvu de formation médicale ou de réglage fin. De plus, il a été noté que les rapports de cas atypiques manquaient souvent d’antécédents de santé et d’examens neurologiques suffisamment détaillés. Ainsi, des inexactitudes sont apparues en raison d’informations insuffisantes dans les cas publiés, ainsi que d’échecs logiques ou de lacunes dans la base de connaissances sous‑jacente.

Il y a donc besoin de recherches supplémentaires en termes de logistique, de légalité, de sécurité et de confidentialité des patients, d’assurance de la précision et de la cohérence, ainsi que d’intégration aux flux de travail hospitaliers pour une utilisation viable des LLM en contexte clinique.

Click here to learn why 2023 was a breakout year for artificial intelligence.

Growing Importance & Usage of LLMs in Healthcare

L’étude montre d’excellents résultats, illustrant un autre exemple du rôle croissant des LLM dans le secteur de la santé — un domaine qui suscite de plus en plus d’attention. Après tout, ils transforment le secteur de tant de façons. Leur utilisation passe progressivement de la phase d’exploration à l’usage pratique, impactant aujourd’hui la recherche clinique et les soins aux patients. Leur capacité à traiter d’énormes volumes de données, à offrir des informations en temps réel et à produire un texte de qualité humaine avec certaines connaissances professionnelles révolutionne le secteur.

Entraînés sur de grandes quantités de données complexes, incluant texte, images et vidéos provenant d’Internet, ces modèles trouvent des applications polyvalentes dans divers domaines, y compris la médecine. 

Ils ont d’abord gagné en popularité lorsque OpenAI, soutenu par Microsoft (MSFT ), a publié son premier LLM, GPT‑1, en 2018. Leur adoption massive a été favorisée par leur accessibilité publique et leur facilité d’utilisation. Ces caractéristiques résultaient de l’intégration de l’apprentissage par renforcement à partir de retours humains (RLHF), qui leur permettait de fournir des réponses plus crédibles et plus humaines que leurs prédécesseurs.  

Depuis le lancement de l’application de chatbot basée sur les LLM, ChatGPT, plusieurs entreprises technologiques, telles que Meta (Llama), Google (BARD), Amazon (AMZN ) et Anthropic soutenu par Salesforce (Claude), ont publié leurs propres LLM. Parallèlement, la version la plus récente d’OpenAI, GPT‑4, montre des capacités améliorées, comme le dépassement du score de passage de l’examen de licence médicale américain (USMLE). 

Avec cela, ChatGPT a démontré son utilité à des fins médicales, de sorte qu’en ajustant finement les LLM et en leur fournissant un entraînement supplémentaire, nous pouvons les utiliser pour améliorer les soins aux patients. La communication humaine est une partie clé de cela ; la capacité de GPT à imiter le langage humain lui a permis d’être assez efficace dans la satisfaction des patients et de permettre des résultats cliniques optimaux.

Alors que le traitement d’énormes quantités de données peut être décourageant pour les humains, les LLM peuvent le faire facilement en une fraction du temps. Ils rationalisent ce processus en organisant les données, nous permettant ainsi de les exploiter efficacement. Pas seulement les données passées, non plus ; les LLM analysent continuellement de nouvelles données entrantes telles que les signes vitaux et les symptômes des patients, ce qui peut grandement aider les professionnels de santé à prendre des décisions rapides et en temps réel. 

En analysant d’immenses ensembles de données provenant de la littérature scientifique, des essais cliniques, des directives de traitement et des dossiers médicaux, les LLM accélèrent également la recherche médicale afin d’identifier de nouveaux traitements et de développer des thérapies efficaces. Ces modèles peuvent aussi aider à établir des corrélations et à détecter des schémas qui font progresser notre compréhension des maladies et accélèrent la recherche médicale. 

De plus, ces modèles fournissent des informations précieuses qui aident les professionnels de santé à prendre des décisions cliniques, telles que des diagnostics précis et une planification de traitement personnalisée, conduisant à une amélioration des soins aux patients. Non seulement les professionnels, mais les LLM autonomisent également les patients en leur offrant des informations compréhensibles et accessibles pour mieux comprendre leurs conditions et leur permettre de participer à leur parcours de santé. 

Click here to learn what makes AI a jack of all trades.

Driving the Innovation in Healthcare

Compte tenu des vastes avantages et du potentiel, le marché de l’IA générative en santé a atteint une valorisation de plus de 1 milliard de dollars en 2022 et devrait atteindre 22 milliards de dollars d’ici 2032, selon le Generative AI Tracker.

En ce qui concerne l’utilisation de l’IA dans le secteur des dispositifs médicaux, la cardiologie a mené cette tendance, avec 57 % des dispositifs médicaux habilités par l’IA approuvés par la FDA en 2022 relevant de la cardiologie, selon GlobalData. Cette tendance devrait se poursuivre, les dépenses en IA des entreprises de dispositifs médicaux devant croître à un TCAC de 20,6 % entre 2019 et 2024.

À l’avenir, nous pourrions même voir l’intégration de l’IA avec l’impression 3D bioprintée pour permettre la création d’organes entièrement fonctionnels adaptés aux besoins spécifiques de chaque patient.

Ce potentiel a incité de nombreuses organisations grand public à lancer des solutions spécialisées alimentées par l’IA pour l’industrie de la santé. Par exemple, Microsoft propose une solution spécialisée appelée Nuance Dragon Ambient eXperience (DAX). Elle capture les conversations clinicien‑patient, les traduit en notes et les intègre aux dossiers médicaux électroniques (EHR). 

Google a déjà dévoilé son MedLM, un LLM axé sur la santé disponible via la plateforme Vertex AI. Depuis, l’entreprise entraîne ses modèles d’IA santé sur ses dernières recherches afin d’appliquer l’IA au secteur de la santé. Le modèle a été utilisé par des organisations partenaires pour créer des solutions telles que la rationalisation des transmissions infirmières et le soutien à la documentation des cliniciens. 

Le mois dernier seulement, Google a ajouté de nouvelles capacités à son modèle et a lancé MedLM for Chest X-rays afin de changer la façon dont la radiologie fonctionne. L’idée est que l’IA générative soutienne les organisations de santé en aidant à la catégorisation des radiographies thoraciques pour de nombreux cas d’usage. 

Mais ce n’est pas tout. Google Research travaille avec Fitbit pour créer un grand modèle de langage dédié à la santé personnelle qui pourra alimenter des fonctions de bien‑être dans l’application mobile Fitbit. Ce modèle est développé pour offrir un coaching individualisé à chacun en fonction de ses objectifs de santé et de forme physique personnels. 

Amazon Web Services (AWS) propose également HealthScribe, qui analyse les conversations de consultation afin de créer des notes cliniques résumées pour des sections telles que l’évaluation, les antécédents de la maladie actuelle et le plan de traitement. Les organisations peuvent ensuite intégrer ces notes aux applications cliniques pour résumer les visites patients plus efficacement. 

Plus tôt cette année, la société de technologie médicale Siemens Healthineers (SHL.SW ) (SHL.DE )  s’est associée à l’Indian Institute of Science (IISc) pour lancer le laboratoire collaboratif Siemens Healthineers‑Computational Data Sciences (CDS) pour l’IA en médecine de précision. Le laboratoire se concentre sur le développement d’outils d’IA open‑source afin d’automatiser la segmentation précise des constatations pathologiques dans les données de neuroimagerie. Cela aidera à diagnostiquer plus précisément les maladies liées à la neurologie et à analyser leurs effets cliniques. 

Ce n’est que le début de la tendance croissante de l’IA dans le secteur médical. Le rôle de l’intelligence artificielle devrait devenir beaucoup plus important. Actuellement utilisée pour générer des modèles 3D patient‑spécifiques en temps réel lors des chirurgies, l’IA devrait évoluer davantage pour offrir des expériences de santé interactives afin de transformer l’éducation et l’engagement des patients. Même dans l’édition génomique, on s’attend à ce que l’IA aille au‑delà de l’analyse de données génétiques complexes pour fournir des prédictions plus précises d’associations gène‑maladie, permettant des éditions génétiques hautement personnalisées.

Les séances de thérapie en réalité virtuelle immersive alimentées par l’IA pour le traitement de la santé mentale constituent une autre façon dont la technologie peut être utilisée dans le secteur. Ensuite, il existe des nanorobots qui peuvent exploiter l’IA pour identifier et traiter une large gamme de conditions médicales à leurs stades précoces.

Cependant, l’application des LLM dans le domaine de la santé n’est pas sans préoccupations. Il existe des enjeux éthiques liés à la confidentialité, à la transparence et à la sécurité que les chercheurs, les professionnels de santé et les organisations médicales doivent garder à l’esprit. Ces modèles peuvent également être utilisés pour diffuser de la désinformation en raison d’un manque de responsabilité, ce qui doit également être pris en compte. Sans oublier la limitation inhérente de reproduire les biais existants.

Les gouvernements du monde entier travaillent à résoudre les problèmes posés par l’IA. L’Europe a déjà créé un cadre juridique pour l’IA, tandis que le Département de la santé et des services sociaux du Royaume‑Uni prévoit d’améliorer la transparence des données utilisées dans le développement de dispositifs médicaux reposant sur l’IA.

Click here to learn about the growing synergy of AI & neurology.

Conclusion

Les LLM sont déjà de plus en plus utilisés dans l’industrie médicale, et on s’attend à ce que leur adoption et leur impact continuent de croître. Cependant, il est important que ces modèles soient utilisés de manière responsable et que les données sous‑jacentes soient d’une qualité suprême, sans biais inhérents ni désinformation, afin de fournir des résultats plus précis et de meilleurs résultats pour les patients.

Click here to learn all about investing in artificial intelligence.