Dans un laboratoire spécialisé, une partie du travail le plus important de la médecine se fait encore image par image au microscope, lue à l’œil nu, par une personne, des milliers de fois de suite. Une équipe de l’université de Surrey et de l’Animal and Plant Health Agency du Royaume-Uni a désormais appris à un ordinateur à effectuer cette lecture pour l’une des plus anciennes maladies connues. Leur système est le premier dispositif d’intelligence artificielle capable d’identifier l’infection par le virus de la rage dans des cultures cellulaires et de mesurer en même temps les niveaux d’anticorps, et son meilleur modèle a classé correctement 99,6 pour cent des échantillons.
Pourquoi les tests de rage avaient besoin d’un lecteur plus rapide
La rage est presque entièrement évitable grâce à la vaccination, et pourtant elle coûte encore environ 59 000 vies chaque année dans le monde, parce que le diagnostic et la surveillance sont difficiles dans beaucoup d’endroits où la maladie est la plus présente. Les laboratoires confirment la présence du virus et mesurent les anticorps protecteurs produits par un vaccin en examinant des images de fluorescence de cultures cellulaires. Réalisé à la main, ce travail oblige les spécialistes à passer en revue des milliers d’images, lentement, avec une marge inévitable de différences honnêtes d’interprétation entre lecteurs.
Ce goulot d’étranglement compte au-delà d’un seul test. La surveillance indique aux autorités de santé où le virus circule et si les campagnes de vaccination fonctionnent. Des tests lents et rares signifient une carte plus floue, dessinée plus tard que souhaité. Les efforts pour partager l’expertise rappellent, dans un autre registre, les ouvertures racontées dans notre article sur la famille royale d’Espagne ouvrant le Palais royal à toute la société : le savoir crée le plus de valeur quand il est conçu pour être partagé.
Comment l’équipe de Surrey et de l’APHA a construit le système
Ces travaux, financés par le ministère britannique de l’Environnement, de l’Alimentation et des Affaires rurales et publiés dans Scientific Reports, ont réuni l’Institute for People-Centred AI de Surrey et l’équipe Rage et zoonoses virales de l’APHA. Les chercheurs ont rassemblé plus de 2300 images de fluorescence contenant plus de 36 000 zones d’image annotées, puis ils ont entraîné plusieurs modèles d’apprentissage profond à reconnaître à quoi ressemble une infection par la rage à l’intérieur des cellules.
Le modèle le plus performant a fait plus que bien noter. Il a distingué les cellules infectées des cellules saines de façon presque parfaite et il a évité les fausses alertes, ce mode d’échec qui détruit discrètement la confiance dans un outil de dépistage. Un système qui crie au loup envoie des spécialistes déjà rares courir après des fantômes. Un système aussi précis leur permet de consacrer leur jugement là où il est vraiment nécessaire.
Les personnes derrière le modèle
Joan Amaya-Cuesta, doctorante à Surrey et chercheuse au sein de l’équipe rage de l’APHA, a décrit ce dispositif comme un moyen plus rapide et plus régulier, pour les laboratoires, d’analyser les échantillons tout en réduisant la dépendance à l’interprétation manuelle. L’équipe comprenait aussi le professeur Miroslaw Bober, de Surrey, et la docteure Lorraine McElhinney, qui dirige le Laboratoire national de référence pour la rage humaine et animale à l’APHA. Ce mélange, chercheurs en intelligence artificielle et laboratoire national de référence lui-même, explique en partie pourquoi ce travail vise une adoption réelle en laboratoire plutôt qu’un simple résultat de revue scientifique.
Ce qui change pour les laboratoires qui l’adopteront
D’abord, le débit. Un modèle entraîné ne se fatigue pas à la neuf-centième image, et il lit la première image et la millième selon le même critère. Pour les laboratoires des pays où la rage est endémique et où les spécialistes sont peu nombreux, cette régularité fait la différence entre un programme de surveillance qui tient le rythme et un programme qui prend du retard.
Ensuite, la mesure des anticorps. Le même dispositif quantifie la concentration d’anticorps, le chiffre que les laboratoires utilisent pour confirmer qu’une vaccination a bien produit une protection. Cette mesure sert aussi des besoins pratiques et quotidiens, comme les contrôles d’anticorps liés aux voyages internationaux des animaux de compagnie, petit exemple révélateur de la façon dont la science des laboratoires de référence touche la vie ordinaire.
Enfin, l’équipe étend déjà l’approche. La technologie est en cours de développement pour détecter aussi le virus dans des tissus cérébraux infectés, un travail dont les chercheurs espèrent qu’il renforcera les laboratoires de diagnostic à l’échelle internationale. La préparation patiente et les résultats mesurables évoquent l’esprit des grands rassemblements de service évoqués dans notre couverture de la visite d’Abdallah II en Malaisie, où la coopération se construit elle aussi dans la durée.
Un schéma qui se répète dans l’intelligence artificielle médicale
Prenez du recul, et le résultat de Surrey s’inscrit dans le schéma qui devient l’histoire la plus fiable de l’intelligence artificielle en santé. Les victoires arrivent sur des tâches précises et bien définies, en laboratoire et en imagerie : lire cette image, mesurer ce niveau, classer cet examen. Chaque victoire manque de glamour. Chacune retire des heures de travail expert répétitif et uniformise une mesure qui variait auparavant selon le lecteur et selon le jour.
C’est le même schéma observé cette semaine dans les recherches sur le dépistage oculaire, et il rejoint une appréciation plus large du travail soigneux et vérifiable. Les progrès dans ce domaine ressemblent de moins en moins à une percée unique et de plus en plus à une centaine d’outils fiables, chacun faisant bien un seul travail.
Les enseignements pratiques
Pour les responsables de laboratoire, le dispositif de Surrey est publié, évalué par les pairs et conçu pour être adopté. L’objectif affiché est un outil prêt pour les laboratoires des pays endémiques, et la bonne étape suivante, pour les laboratoires intéressés, consiste à étudier l’article de Scientific Reports et ses besoins en données : 2300 images et 36 000 annotations constituent un plan réaliste, pas exotique. Pour les planificateurs de santé publique, une confirmation plus rapide de la rage affine la surveillance, et une surveillance plus fine rend les campagnes de vaccination moins coûteuses et mieux ciblées. Le bénéfice d’un tel outil se cumule avec le temps.
Pour toutes les autres personnes, la leçon est plus simple. Une maladie qui accompagne l’humanité depuis des milliers d’années est désormais suivie, en partie, par un modèle qui a appris à partir de photographies de cellules lumineuses. Il a vu juste dans 99,6 pour cent des cas. Le travail qui reste, mettre cette capacité dans les laboratoires qui en ont le plus besoin, est un travail humain, et il est déjà en cours.
