Au cours de la dernière décennie, les technologies d’apprentissage profond (deep learning) et d’apprentissage automatique (machine learning), sur lesquelles reposent les outils habituellement désignés par l’appellation d’intelligence artificielle (IA), ont connu des progrès considérables, tant sur le plan des développements théoriques que sur celui de leurs applications.
Ces évolutions incluent, notamment sur le plan technologique, l’apparition de différentes structures de réseaux de neurones profonds et le développement de machines à amplification de gradient, avec des capacités de prédiction sans cesse croissantes.
Concernant les applications, nous notons l’émergence des grands modèles de langage, capables d’effectuer du traitement de texte, ainsi que la vision par ordinateur, qui permet l’analyse d’images, et qui constituent en elles-mêmes une véritable révolution technologique, dont les répercussions actuelles et à venir sont loin d’avoir été complètement évaluées. Une traduction concrète de ce développement effréné est l’essor des agents conversationnels, qui n’étaient qu’une simple curiosité il y a seulement quelques années et qui sont désormais devenus une part intégrante de la vie quotidienne d’un grand nombre de personnes à travers le monde.
En médecine, et plus particulièrement en neurologie, ces outils, longtemps cantonnés aux laboratoires de recherche, commencent à se transposer très progressivement vers le lit du malade, en prenant une place de plus en plus importante dans la prise en charge clinique des patients.
Au fil de ce dossier, les auteurs détailleront quelques exemples d’applications concrètes rendues possibles par l’IA dans différents domaines appliqués à la neurologie. Ces exemples ne constituent qu’un aspect limité de ce que ces outils sont actuellement capables d’offrir, mais laissent néanmoins entrevoir ce qu’ils seront susceptibles d’apporter à l’avenir pour la pratique quotidienne du neurologue.
Le domaine de l’imagerie médicale, et en particulier la neuro-imagerie, est sans doute le champ d’application médical dans lequel l’IA s’est le plus rapidement frayé un chemin, du fait de la disponibilité immédiate de l’ensemble des données à traiter par l’algorithme. Le Dr Arnaud Attyé présente dans ce dossier les applications concrètes des outils d’apprentissage profond en neuro-imagerie, qui permettent déjà une analyse automatisée et quantitative des données d’IRM cérébrale et sont utilisés par les radiologues dans le but d’améliorer l’analyse des images et d’optimiser le diagnostic
et/ou le suivi évolutif des patients. Il souligne l’importance en clinique de ces outils et les progrès attendus dans ces champs en constante évolution.
Les données de santé, multimodales par leur nature, sont complexes à analyser et à utiliser. En sus se greffe la problématique de la confidentialité des données sources et l’importance de la sécurité des informations personnelles, renforcées récemment sur le plan législatif par la mise en application du règlement général de protection des données. Le Dr Stanislas Demuth explique comment elles peuvent être structurées, notamment par le concept du jumeau numérique médical, permettant ainsi des analyses synthétiques ainsi que l’établissement de prédictions à l’échelle individuelle, et comment elles peuvent être optimisées afin d’être les plus précises possibles.
La prise en charge des patients souffrant d’épilepsie focale pharmacorésistante est complexe et nécessite une intégration multimodale de données cliniques, radiologiques et électrophysiologiques ; elle représente ainsi un challenge pour les équipes spécialisées, telles que celle dirigée par le Pr Fabrice Bartolomei. Il détaille comment les techniques de modélisation en apprentissage profond permettent de coupler ces différentes données, afin de représenter non seulement le foyer épileptogène, mais aussi le réseau dans son ensemble, et afin de tester virtuellement et de prédire les conséquences de différentes options chirurgicales à l’échelle individuelle.
L’incertitude constitue une problématique centrale en consultation de neurologie, qu’elle concerne le diagnostic ou le pronostic de ces affections. Elle est particulièrement impactée par la nature des données cliniques et paracliniques, qui ne permettent pas toujours de trancher clairement entre plusieurs pathologies, comme dans les syndromes parkinsoniens ou les troubles neurocognitifs mineurs. Elle concerne également l’évolution clinique, dont l’anticipation représente une attente majeure des patients et un élément déterminant de la prise en charge thérapeutique. Le Dr Thomas Wirth montre dans son article que ces situations peuvent être formalisées comme des problèmes de prédiction spécifiques. Le raisonnement humain, hypothéticodéductif, est comparé à celui des machines, par nature inductif. L’utilisation de l’apprentissage automatique à des fins diagnostiques à travers la résolution de problèmes de classification est illustrée, ainsi que l’estimation de la sévérité ou de l’évolution comme tâches de régression, permettant de prédire un score clinique continu. Les atouts de l’utilisation de l’apprentissage automatique pour la résolution de ces problèmes sont également soulignés, notamment la capacité de cette technologie à évoluer en environnement multidimensionnel.
Dans un dernier article, les Drs Théodore Soulier et Thomas Nedelec se proposent d’examiner la place que pourrait occuper l’IA au sein des essais thérapeutiques en neurologie. De la découverte de nouvelles molécules à la définition de nouveaux critères de jugement, en passant par la sélection des participants, il s’agira d’explorer les apports potentiels de ces outils, mais aussi les défis méthodologiques et conceptuels qu’ils soulèvent. Au-delà de leurs performances techniques, c’est bien leur capacité à s’intégrer dans un cadre rigoureux de validation scientifique qui déterminera leur rôle dans la médecine de demain. Ces perspectives s’accompagnent toutefois de limites importantes, notamment liées à l’interprétabilité des modèles d’apprentissage profond, à leur dépendance aux données d’entraînement et aux risques de biais. Dans ce contexte, l’enjeu ne sera pas de faire de l’IA une exception méthodologique, mais, au contraire, de l’inscrire dans les exigences classiques des essais thérapeutiques, fondées sur la robustesse statistique, la reproductibilité et la validation indépendante.
L’ensemble de ces articles illustre ainsi le chemin déjà parcouru en sciences des données et les implications concrètes de ce champ d’études dans la pratique clinique de tous les jours. Plus encore, ces articles soulignent les perspectives d’amélioration de la prise en charge des patients en neurologie dans un avenir extrêmement proche, à travers l’utilisation de ces modèles. Bien qu’il soit tentant d’imaginer un futur où ces outils remplaceraient le neurologue, la difficulté à rendre automatique et à grande échelle l’évaluation neurologique, tout comme l’importance de la relation thérapeutique médecin-patient, au-delà des aspects techniques, garantiront certainement, pour de nombreuses années encore, la nécessité d’un opérateur humain. L’évolution, à l’image de la pratique actuelle en génétique moléculaire, se dirigera très probablement vers l’intégration en routine de ces outils, qui permettront d’affiner la pratique neurologique et de l’individualiser selon le profil des patients. L’IA deviendra ainsi un prolongement du raisonnement clinique, qu’elle enrichira, comme l’exploration électromyographique ou l’imagerie cérébrale enrichissent déjà notre pratique clinique.