Innovation de l’intelligence artificielle appliquée à l’analyse d’images médicales en sénologie et cardiologie interventionnelle


Xavier Lessage est chercheur au sein du département Sciences des données au CETIC. Ses centres d’intérêts sont les intelligences artificielles, le Cloud Computing ainsi que le traitement de données distribuées (High Performance Computing).  L’un de ses domaines de prédilection est la santé et plus particulièrement, l’usage de l’intelligence artificielle dans les soins de santé.

Les axes majeurs de ses travaux concernent le cancer du sein et la cardiologie interventionnelle à l’aide d’architectures traditionnelles et fédérées. Ses recherches consistent d’une part, à évaluer les algorithmes de Deep learning (classification binaire, localisation d’anomalie, explicabilité, etc.) dans le domaine de l’imagerie médicale avec des bases de données privées (étude rétrospective). D’autre part, à valider les modèles retenus dans les hôpitaux mais avec de nouvelles images (étude prospective) avec pour objectif d’analyser le comportement de l’IA en situation réelle.

En contribuant à la réduction du coût et de la charge de travail des médecins grâce à la combinaison des deux intelligences : la première, artificielle pour faire une première analyse et la seconde, humaine, pour interpréter les résultats et poser le bon diagnostic. Dans le cadre du cancer du sein notamment, l’interprétation d’une image mammographique est une tâche difficile à réaliser et nécessite, une vérification par un second lecteur, voire un troisième (en cas de divergence) afin de réduire le nombre de faux négatif. Le rôle de la seconde lecture pourrait-être pris en charge par une IA laissant ainsi du temps pour le second lecteur pour d’autres tâches, comme celle de premier lecteur.

Pour en savoir plus sur ses projets en cours ou ses publications : https://cutt.ly/gOigulY

Vers une intelligence artificielle qui intègre la notion d’équité

Géraldin Nanfack, chercheur à l’UNamur, travaille depuis décembre 2018 sur sa thèse dans le cadre du projet EOS VeriLearn. Ses travaux de recherche ont pour but de garantir le respect des propriétés ou de certaines contraintes à des algorithmes de Machine Learning. Par exemple, dans l’un de ses travaux [1] publiés à la conférence ESANN’21, il a proposé une méthode pour forcer des algorithmes d’arbres de décision à prendre des décisions équitables par rapport à descaractéristiques sensibles comme la race ou le genre. Dans un autre travail [2] publié à la conférence UAI’21, il a développé une méthode visant à contraindre des modèles dits “black-box” et différentiables comme des réseaux de neurones, à s’expliquer facilement et globalement par des règles de décisions afin que les utilisateurs non- experts de cette intelligence artificielle puissent comprendre comment les décisions ont été prises.

Ses travaux visent à avoir une Intelligence Artificielle (IA) plus fiable, qui pourra être dotée de facultés pour fournir des explications fidèles de son comportement. Cette évolution de l’IA est précieuse pour plusieurs secteurs sensibles comme celui de la santé ou bancaire qui pourrait utiliser une IA prédisposée à fournir des explications fiables de ses décisions tout en garantissant ou maximisant l’équité dans ses prédictions.

[1] Nanfack, G., Delchevalerie, V., & Frénay, B. (2021). Boundary-Based Fairness Constraints in Decision Trees and Random Forests. In The 29th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, https://proceedings.mlr.press/v161/nanfack21a.html.

[2] Nanfack, G., Temple, P., & Frénay, B. (2021, December). Global explanations with decision rules: a co-learning approach. In Uncertainty in Artificial Intelligence (pp. 589-599). PMLR, https://pure.unamur.be/ws/portalfiles/portal/61249591/ES2021_69.pdf.

 

Une intelligence artificielle apprend avec moi à trouver les causes de maladies génétiques dans les publications scientifiques

Passionnée par le secret derrière les maladies génétiques, Charlotte Nachtegael s’est engagée, après avoir obtenu son diplôme en master en sciences biomédicales à l’UMONS, dans un master et puis un doctorat en Bioinformatique sur l’étude des maladies génétiques complexes à l’(IB)2 (Interuniversity Institute in Bioinformatics in Brussels) et au MLG (Machine Learning Group) à l’ULB.

Son travail a premièrement consisté à trouver dans la littérature scientifique des combinaisons de mutations causant des maladies génétiques complexes, récoltées sous forme d’une base de données (publication en cours de révision). Ce travail colossal de biocuration l’a encouragée à se concentrer sur les techniques de text mining pour être capable d’extraire automatiquement ces données du texte des articles et les rendre facilement disponibles. Elle utilise également le principe de l’active learning, impliquant directement l’expert humain dans l’apprentissage du modèle d’intelligence artificielle.

Cette extraction automatique des données sur les maladies génétiques complexes serait un avantage pour le monde médical et bioinformatique, d’autant plus vu l’augmentation des données génétiques et du nombre de publications sur le sujet. Ces données pourront être utilisées pour étudier les causes des maladies génétiques rares ou pour développer des modèles de prédictions lors d’une grossesse… De plus, on ouvre également la porte à une interaction directe entre l’intelligence artificielle et l’humain grâce à l’active learning, où c’est l’humain qui enseigne directement à un modèle. Ce travail devrait donc, on l’espère, accroître la confiance envers l’intelligence artificielle.

Quand l’intelligence artificielle et la compression d’images se rencontrent, la surveillance vidéo devient respectueuse de la vie privée

Depuis septembre 2020, lors de la première édition de l’atelier TRAIL, Karim El Khoury et Jonathan Samelson, ont débuté leurs travaux dont le but était de fournir une représentation d’image publique et respectueuse de la vie privée, pour l’analyse du trafic autoroutier. L’objectif était d’utiliser les images résiduelles du domaine compressé, peu coûteuses et respectueuses de la vie privée, pour suivre efficacement les véhicules. En novembre 2021, leurs travaux ont été publiés dans le Frontiers in Signal Processing Journal dans le cadre d’un numéro spécial sur l’apprentissage profond pour la vidéosurveillance. La publication est accessible via https://doi.org/10.3389/frsip.2021.765006

Selon Karim et Jonathan, le principal problème du big data, et plus particulièrement des données de vidéosurveillance, est la confidentialité. C’est donc pourquoi, en proposant l’utilisation de cadres résiduels de domaine compressé comme représentation d’image pour le suivi d’objets basé sur l’apprentissage profond, leur solution d’IA donne la priorité au droit à la vie privée des personnes tout en maintenant des performances efficaces.

 

 

Résultats expérimentaux de la détection et le suivi des véhicules sur les images résiduelles du domaine compressé respectueuses de la vie privée (A) contre les images décodées intrusives (B)

 

Vous entendrez bientôt le sourire, la tristesse ou l’excitation dans la voix des machines

Noé Tits, après avoir obtenu son diplôme d’ingénieur électricien, a poursuivi une thèse à l’Institut Numediart – UMONS sur l’application des techniques de Machine Learning pour la synthèse vocale expressive.

Actuellement, il s’occupe de la R&D de la technologie vocale de Flowchase pour analyser automatiquement et donner du feedback aux apprenants d’anglais sur leur prononciation en utilisant les paradigmes du Machine/Deep Learning et Signal Processing. Flowchase est une application qui vous permet de booster votre prononciation en anglais grâce à une technologie vocale analysant votre parole.

Pendant  l’année 2020, il a étudié la contrôlabilité d’un système de synthèse vocale expressive. On attend par contrôlabilité, la possibilité de modifier à souhait le caractère expressif de la parole synthétisée grâce à des paramètres.

La contrôlabilité est évaluée avec une expérience objective et une expérience subjective. L’évaluation objective est basée sur une mesure de corrélation entre les caractéristiques acoustiques et une représentation latente de l’expressivité. L’évaluation subjective est basée sur une expérience de perception dans laquelle on montre aux utilisateurs une interface 2D de synthèse vocale expressive contrôlable et on demande à ces utilisateurs  de retrouver la position d’une phrase de référence. Pour en savoir plus sur  son travail: https://www.mdpi.com/2227-9709/8/4/84/htm

De plus, selon Noé Tits, pour pouvoir interagir correctement avec des systèmes intelligents, un défi majeur est de rendre cette interaction aussi intuitive et naturelle que possible pour les utilisateurs.

Lorsqu’on travaille avec l’interaction vocale, cela correspond à synthétiser une voix naturelle avec une expressivité cohérente avec le contexte. Les différentes possibilités dans ce domaine seraient intéressantes pour, par exemple, la création de personnages virtuels avec des voix expressives, pour des films d’animation, des livres audio synthétiques…

 

Un système de surveillance de l’état du conducteur peut vous sauver la vie

Anaïs Halindiplômée d’un master en ingénieur civil électricien de l’Université de Liège (ULiège) en 2017 et d’un master en management de HEC Liège en 2020, est depuis 2017 doctorante dans le département Electrical Engineering and Computer Science de l’ULiège.  

Cette jeune doctorante affiliée à TRAIL, travaille dans les domaines de surveillance de l’état des conducteurs et de l’automatisation de la conduite. Elle a récemment publié un article (https://www.mdpi.com/1424-8220/21/16/5558et réalisé une vidéo (https://youtu.be/d9IKIvrwlVQ) sur le sujet. Par ceux-ci, elle explique, entre autres, comment caractériser l’état des conducteurs à l’aide d’indicateurs et de capteurs, ainsi que le rôle conjoint de la surveillance de l’état des conducteurs et de l’automation de la conduite. Le concept d’indicateur, qu’elle a introduit et rigoureusement défini, permet une meilleure interprétabilité des systèmes.  

Grâce à l’Intelligence Artificielle, nous pouvons rêver d’avoir un jour une voiture autonome qui améliorerait considérablement la sécurité routière, réduirait les embouteillages, diminuerait les émissions et rendrait les voyages plus confortables. 

Mais, en attendant d’avoir résolu les défis technologiques et réglementaires qui nous éloignent de ce potentiel avenir, nous devons, selon Anaïs Halin, développer des systèmes de surveillance du conducteur adaptés à chaque niveau d’automatisation de la conduite. Ce travail doit être réalisé, afin de s’assurer que les conducteurs sont aptes à conduire ou reprendre le contrôle en toute sécurité, et, le cas échéant, d’émettre des alarmes, ou de déléguer une partie ou l’entièreté de la conduite à l’automatisation.