Badr Ait Hammou, 1er récipiendaire de la Bourse Line Chevrette pour le FRTIAO

Contexte

C’est par la qualité de son corps professoral et le volume de ses patients que le département d’ophtalmologie de la CUO-HMR se distingue en tant que grand centre ophtalmologique parmi ceux du Québec. Son centre de recherche affilié, le Centre de Recherche de l’Hôpital Maisonneuve-Rosemont (CR-HMR) est un leader mondial en recherche fondamentale et translationnelle dans le domaine de la vision.  Les boursiers auront la chance de collaborer avec une équipe d’ophtalmologistes ainsi qu’avec une équipe de chercheurs fondamentaux dont la gamme d’intérêts s’étend de la bio-informatique à la physique et à l’épidémiologie.  Ils bénéficieront de l’accès à nos infrastructures, à nos installations d’apprentissage et aux données d’imagerie médicale pour poursuivre des recherches originales.

Un don philanthropique pour l’avenir de l’ophtalmologie

En juin 2020, Dr Line Chevrette a fait un généreux don testamentaire pour soutenir les efforts de recherche de Dre Marie Carole Boucher en intelligence artificielle appliquée à l’ophtalmologie.  C’est ainsi qu’un Fonds de recherche en intelligence artificielle appliquée à l’ophtalmologie a été institué pour soutenir ce Fellowship de Recherche translationnelle en intelligence artificielle et en ophtalmologie à l’Université de Montréal (FRTIAO).  Ce fonds est détenu par la Dre Marie Carole Boucher administré avec l’assistance de Dr Renaud Duval en tant que directeur scientifique du fellowship et chef de la rétine au CUO-HMR.  Les principaux objectifs de ce fonds sont de favoriser des recherches originales dans le domaine de l’intelligence artificielle en ophtalmologie et de soutenir les chercheurs avec un intérêt en intelligence artificielle appliquée en ophtalmologie qui débutent leur carrière universitaire.

L’objectif de ce fonds de dotation est de maximiser l’état des connaissances actuelles et d’en repousser les limites.  Les progrès très rapides de l’I.A. en ophtalmologie sont en phase avec cet objectif et promettent de transformer la vie de nos patients.

Pourquoi l’intelligence artificielle?

L’efficacité des techniques avancées d’apprentissage machine, en particulier celles associées au développement de l’apprentissage profond, a significativement augmenté ces dernières années.  Le développement de matériel informatique tel que les unités de traitement graphique, l’évolution rapide de la distribution des infrastructures informatiques et la disponibilité croissante de données volumineuses sont les trois principaux facteurs qui ont grandement contribué à l’évolution de ce domaine. Le Canada se distingue désormais en tant que leader mondial en intelligence artificielle et en apprentissage profond grâce à sa communauté de recherche riche et diversifiée. Nous pensons que cette riche organisation de la recherche fondamentale et clinique en I.A. et en apprentissage profond offre la possibilité de bonifier grandement les soins de la santé visuelle des futures générations de Canadiens.

C’est grâce à la grande quantité de données d’imagerie médicale générée par l’ophtalmologie que cette dernière s’est positionnée à l’avant-garde de la révolution de l’I.A. en santé.  Depuis l’article fondateur de Google sur l’apprentissage profond pour la détection de la rétinopathie diabétique par Gulshan et al. en 2016[1] jusqu’à  la collaboration Deepmind – Moorfields pour la détection par l’OCT des maladies rétiniennes référables  par De Fauw et al. en 2018[2], les progrès réalisés en ophtalmologie ont été significatifs, particulièrement dans le sous-domaine de la rétine médicale.  Le domaine de l’intelligence artificielle étant relativement nouveau, nous assistons à un phénomène d’évolution parallèle de l’informatique et de l’I.A. en santé où les nouvelles percées fondamentales de recherche en apprentissage automatique alimentent des recherches innovantes et passionnantes en ophtalmologie.  L’une de ces avancées récentes est l’invention des réseaux antagonistes génératifs (RAG) par Ian Goodfellow en 2014[3] à l’Université de Montréal, sous la supervision de Yoshua Bengio, lauréat du prix Turing.  La poursuite des travaux de recherche sur ces RAG nouvellement découverts a mené à l’utilisation de plusieurs applications de cette technique à l’imagerie de l’oeil. Ces innovations remarquables de l’I.A. appliquée à l’ophtalmologie avaient aussi été précédées par d’autres percées fondamentales en intelligence artificielle telles que le développement de réseaux de soutien et de transformateurs[4].

La grande quantité de données d’imagerie générées en ophtalmologie et la disponibilité de mesures objectives qu’elle offre font que l’intelligence artificielle est toute indiquée pour s’y appliquer, particulièrement dans les domaines suivants :

Les réseaux neuraux convolutifs (cnn):

Il a fallu plus de 20 ans pour que la mise en application rapide des GPU permette la réalisation pratique de cette avancée fondamentale des réseaux neuronaux convolutifs introduite par Yann LeCun dans les années 1980[5].  Depuis qu’Alex Krizhevsky a utilisé un CNN basé sur les GPU pour gagner le défi ImageNet 2012[6], ces réseaux ont initié la révolution de la classification des images, leur segmentation et la détection des objets.  Grâce à leur performance exceptionnelle sur les données d’imagerie, ce sont les réseaux de neurones les plus utilisés en recherche ophtalmologique, notamment dans un cadre d’apprentissage supervisé.

L’apprentissage par renforncement (ar):

L’AR est l’un des trois piliers de l’apprentissage machine, aux côtés de l’apprentissage supervisé et de l’apprentissage non supervisé.  Il est fondé sur le concept d’agents logiciels qui optimisent une fonction de récompense.  Deepmind a utilisé AlphaGo, sa version de l’algorithme de l’AR, pour vaincre Lee Sedol au jeu de Go en 2016.  L’algorithme AlphaGo, largement basé sur un protocole d’apprentissage supervisé, a ensuite été remplacé par AlphaGo Zero, un algorithme qui n’apprenait que par le jeu des individus sans connaissance préalable du jeu de Go.  Hors un abrégé présenté à l’ARVO 2020 par Gongyu Zhang et al. sur l’optimisation de la gestion de la DMLA néovasculaire à l’aide de l’AR[7], il n’y a  encore eu aucune publication sur l’apprentissage profond par  renforcement  appliqué à l’ophtalmologie.  Il s’agit d’un secteur de recherche privilégié qui a le potentiel d’optimiser les paradigmes de traitement et peut-être même aussi d’affiner les techniques actuelles de segmentation des images[8].

Les réseaux antagonistes regénératifs (rag):

Les RAG se sont avérés être l’un des développements les plus importants et les plus intéressants du domaine de l’apprentissage machine au cours des dernières années.  Leur principe général consiste à opposer des réseaux qui se font concurrence dans un jeu d’optimisation.  Alors qu’un réseau génère des données, l’autre réseau distingue les données réelles des données synthétiques tout en apprenant au réseau générateur à améliorer sa performance.  En imagerie de l’œil, il en résulte une génération de données d’imagerie réalistes qui peuvent être utilisées à des fins diverses, telles la synthèse intermodale[9], une segmentation des vaisseaux rétiniens améliorée[10] et une super-résolution des images OCT[11].

Apprentissage autosupervisé et non supervisé:

Ce champ de recherche offre possiblement le plus grand potentiel de recherche encore inexploité en ophtalmologie et en santé.  Bien que l’apprentissage supervisé ait donné des résultats impressionnants, il nécessite un grand investissement en temps pour l’étiquetage et l’annotation de l’ensemble de données.   Considérant que la plupart des données d’imagerie médicale sont mal étiquetées, ou simplement non étiquetées, il est évident que les percées dans ce domaine seraient transformationnelles.  Burlina et al.  ont aussi démontré dans un article publié en 2020[12]  que les techniques d’auto-supervision améliorent les performances des algorithmes d’apprentissage profond lorsqu’ils sont appliqués à de petits ensembles de données dans le contexte de la rétinopathie diabétique.

Apprentissage machine automatisé (AutoML)

L’apprentissage automatique, ou AutoML, est le processus par lequel les blocs suivants du pipeline d’apprentissage automatique peuvent être automatisés :  extraction des caractéristiques, optimisation des hyperparamètres et recherche d’architecture neurale.  Suite aux premiers travaux universitaires de l’Université de Colombie-Britannique et de Fribourg sur Auto-Weka[13] et suite à une percée fondamentale appelée recherche d’architecture neurale (NAS)[14], l’AutoML a émergé comme moyen privilégié pour accélérer le processus d’apprentissage automatique en automatisant les tâches répétitives tout en optimisant les résultats. Ainsi les chercheurs sans expérience en informatique peuvent accéder plus facilement aux outils d’apprentissage machine par cette technologie.  Depuis 2020, l’ophtalmologie a connu grand un essor de la recherche en apprentissage automatisé. Des publications portant sur l’utilisation de Google AutoML Vision pour la détection de la vasculopathie de la pachychoroide[15] et du décollement de la rétine sur des champs d’imagerie ultra larges[16] y ont contribué.  Il s’agit d’un champ de recherche qui continuera d’offrir un grand potentiel au fur et à mesure que cette technologie poursuivra son développement.

Champs de recherche à développer..

D’autres champs de recherche potentiels et émergents en ophtalmologie incluent ceux qui utilisent des algorithmes de traitement automatique des langues(NLP), l’exploration des données des dossiers médicaux électroniques en ophtalmologie et l’utilisation de transformateurs appliqués aux images ophtalmiques.

[1] Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316:2402–2410.

[2] De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24(9):1342-1350.

[3] Goodfellow IJ, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. In: Proceedings of the 27th International Conference on Neural Information Processing Systems – Volume 2. NIPS’14. MIT Press; 2014:2672–2680.

[4] Vaswani, A., N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser, and I. Polosukhin. « Attention is all you need. arXiv 2017. » arXiv preprint arXiv:1706.03762 (2017).

[5] Lecun, Y., Bottou, L., Bengio, Y., Haffner, P., 1998. Gradient-based learning applied to document recognition. Proceedings of the IEEE.. doi:10.1109/5.726791

[6] Krizhevsky, A., Sutskever, I., Hinton, G.E., 2017. ImageNet classification with deep convolutional neural networks. Communications of the ACM.. doi:10.1145/3065386

[7] Gongyu Zhang, Zeyu Guan, Edward Korot, Reena Chopra, Gabriella Moraes, Siegfried Wagner, Livia Faes, Dun Jack Fu, Hagar Khalid, daniel Araujo ferraz, Konstantinos Balaskas, Daniel Alexander, Pearse Andrew Keane; Optimising Treatment of Neovascular Age-related Macular Degeneration using Reinforcement Learning. Invest. Ophthalmol. Vis. Sci. 2020;61(7):1628.

[8] Li, Z. and Y. Xia (2020). « Deep Reinforcement Learning for Weakly-Supervised Lymph Node Segmentation in CT Images. » IEEE Journal of Biomedical and Health Informatics: 1-1.

[9] Cai, Z., et al. (2020). Triple Multi-scale Adversarial Learning with Self-attention and Quality Loss for Unpaired Fundus Fluorescein Angiography Synthesis. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), IEEE.

[10] Yang, J., et al. (2020). « Fully Automatic Arteriovenous Segmentation in Retinal Images via Topology-Aware Generative Adversarial Networks. » Interdiscip Sci 12(3): 323-334.

[11] Das, V., et al. (2020). « Unsupervised Super-Resolution of OCT Images Using Generative Adversarial Network for Improved Age-Related Macular Degeneration Diagnosis. » IEEE Sensors Journal 20(15): 8746-8756.

[12] Burlina, P., et al. (2020). « Low-Shot Deep Learning of Diabetic Retinopathy With Potential Applications to Address Artificial Intelligence Bias in Retinal Diagnostics and Rare Ophthalmic Diseases. » JAMA Ophthalmology 138(10): 1070.

[13] Thornton, C., et al. (2012) Auto-WEKA: Combined Selection and Hyperparameter Optimization of Classification Algorithms. arXiv:1208.3719

[14] Zoph, B. and Q. V. J. a. e.-p. Le (2016) Neural Architecture Search with Reinforcement Learning. arXiv:1611.01578

[15] Yang, J., et al. (2020). « Utility of a public-available artificial intelligence in diagnosis of polypoidal choroidal vasculopathy. » Graefes Arch Clin Exp Ophthalmol 258(1): 17-21.

[16] Laiginhas, R., et al. (2020). « Development and Validation of a Machine Learning Algorithm for Deteting Retinal Detachments in Ultra-Wide-Field Fundus Ophthalmoloscopy. » Investigative Ophthalmology & Visual Science 61(9): PB00147-PB00147.