Pourquoi le Machine Learning (apprentissage d'une machine) intéresserait-il un chirurgien orthopédiste : nos travaux de recherche à l'IML marseille Bouches du Rhone

Le principe du Machine Learning est de demander à un algorithme de répondre (juste) à une question en se basant sur de nombreuses données historiques « labélisées » par exemple détecter une fracture du col du fémur si elle existe en comparant une radiographie à une base de données certifiée exacte de fémurs proximaux normaux et fracturés.
On peut distinguer deux types d’algorithmes : supervisés et non supervisés.

Un algorithme supervisé fonctionne en deux phases : durant la phase d’apprentissage, on lui soumet une base de données d’entrée pour le futur problème à résoudre, mais cette base de données dite « certifiée » est accompagnée de la réponse à la question cherchée. En comparant ses propres réponses avec la « bonne réponse », l’algorithme fait progressivement converger ses paramètres internes pour minimiser l’erreur de prédiction.
Après la phase d’apprentissage (d’où « Learning »), l’algorithme peut commencer à traiter des données d’entrées dont la réponse à la question (« cassé ? pas cassé ? ») est inconnue, en général et particulièrement pour le traitement de série d’image, l’algorithme fonctionnera en rapprochant les données de cette entrée à une image déjà traitée pendant la phase d’apprentissage.

Les algorithmes non supervisés fonctionnent sans phase d’apprentissage et fournissent directement une réponse à partir des données d’entrée. Ils traitent des classes de problèmes différents des algorithmes supervisés et sont utilisés en complément de ceux-ci. Selon la problématique posée, il est possible d’utiliser plusieurs algorithmes et méthodes comme par exemple, les arbres de décision ou la régression logistique. Ces algorithmes sont très utilisés en statistique initialement pour le trading et depuis quelques années pour les études scientifiques, l’idée est par exemple de demander à un algorithme l’évolution de la côte d’une action A en fonction de celle de deux actions B et C. Certaines études récentes établissent le même genre d’équation pour des paramètres anatomiques ou des scores fonctionnels.

Machine Learning : de l’application générique à l’Orthopédie.


Les techniques du Machine Learning sont utilisées dans de très nombreux domaines. A titre d’exemple, il peut s’agir de l’industrie des transports pour le développement d’un système de navigation sans conducteur, du secteur médical où les machines aident à diagnostiquer le cancer, ou bancaire où l’on cherche à estimer la capacité d’une personne à rembourser un prêt.

Un exemple : la reconnaissance d’images
Il est particulièrement intéressant d’utiliser les algorithmes du Machine Learning pour la reconnaissance d’images, notamment les algorithmes supervisés qui permettent d’effectuer des tâches de classification (où on veut classer les cas d’entrées à des groupes connus) et de régression (où on veut prédire une valeur de sortie à partir des données d’entrée). Par exemple, la reconnaissance d’image de Google utilise un algorithme supervisé à des fins de classification. En montrant à l’algorithme des diverses images de chat, et en précisant à chaque fois une « étiquette » (« chat » ou « pas chat »), il saura, à la fin de son apprentissage, se concentrer sur les éléments distinctifs de chats qu’il aura mémorisés, et différencier un chat des autres félins proches. Dans certains cas de figure où même l’œil humain peut se tromper, l’identification devient particulièrement difficile pour un algorithme, et se joue à un détail près.

C’est le secteur qui se développe le plus en sciences humaines, des algorithmes entrainés ont déjà démontré des capacités surhumaines de reconnaissance de partie d’échec, de Go et autre jeu de stratégie.

Cette supériorité est moins claire pour les imageries médicales ou le nombre de variations anatomiques et ou de topographies lésionnelles est infini (à la différence du Nombre (de Shannon=10120) colossal mais fini de parties d’échec différentes que deux joueurs peuvent jouer) la base de données certifiée doit être immense, de grande qualité et absolument exacte pour qu’un algorithme apprenne à détecter une fracture du radius distal (plus de 2000 radiographies selon une étude récente de Gan et al3) ou du col du fémur (23000 pour Cheng et al4). et sans doute beaucoup plus pour des imageries plus complexe (Scanner, IRM).

De plus, la réglementation européenne sur l’utilisation des données de santé, empêche leur exportation vers des Clouds américains (Google, Amazon, Apple, Microsoft) très en avance sur le codage de ces algorithmes ce qui limite la collaboration avec les principaux acteurs du Machine Learning.


Notre publication récente sur le sujet explique les difficultés d'entrainement  d'un algorithme pour améliorer notre capacité à identifier les fractures du fémur.