Fellowship de recherche

Le Fellowship de recherche translationnelle en intelligence artificielle en ophtalmologie (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 2016¹ jusqu’à la collaboration Deepmind – Moorfields pour la détection par l’OCT des maladies rétiniennes référables par De Fauw et al. en 2018², 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 2014³ 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’œil. 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 transformateurs⁴.

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 tout indiquée pour s’y appliquer, particulièrement dans les domaines suivants :

• LES RÉSEAUX NEURONAUX 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 1980⁵. Depuis qu’Alex Krizhevsky a utilisé un CNN basé sur les GPU pour gagner le défi ImageNet 2012⁶, 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 RENFORCEMENT (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’AR⁷, 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 images⁸.

• 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 intermodale⁹, une segmentation des vaisseaux rétiniens améliorée¹⁰ et une super-résolution des images OCT¹¹.

• 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 2020¹² 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-Weka¹³ 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 pachychoroide¹⁵ et du décollement de la rétine sur des champs d’imagerie ultra larges¹⁶ 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.

L’intelligence artificielle au Canada

Des véhicules autonomes à la robotique et à l’enseignement, l’intelligence artificielle affectera probablement tous les aspects de notre société; il est de plus en plus probable que les soins de santé seront à l’avant-garde de cette révolution. C’est ainsi que grâce à son leadership, le Canada se positionne en tête de file dans ce domaine pour les raisons suivantes:

• L’Institut canadien de recherches avancées (CIFRA) a fait ses preuves en tant que moteur important dans l’essor de la recherche sur l’apprentissage profond au pays. Le CIFAR a permis de financer le développement d’un riche écosystème de recherche et a attiré un grand nombre de scientifiques de haut niveau.

• Le système de santé universel et intégré du Canada offre un potentiel de partage à grande échelle de données anonymes entre les institutions et entre les provinces. Ainsi la mise en commun et le partage des ressources est possible lorsque les données d’une seule institution s’avèrent insuffisantes pour s’attaquer à un problème spécifique.

• La recherche fondamentale en intelligence artificielle menée au Canada est reconnue comme étant de classe mondiale et pilotée par d’éminents chercheurs tels que Goeffrey Hinton à l’Université de Toronto, Yoshua Bengio à l’Université de Montréal et Richard S. Sutton à l’Université d’Alberta. Ensemble, ces chercheurs et leurs équipes sont responsables de la plupart des percées théoriques mondiales en intelligence artificielle.

Le Centre Universitaire d’Ophtalmologie à HMR (CUO-HMR)

Le CUO-HMR est composé d’une équipe de 26 ophtalmologistes, professeurs au département d’ophtalmologie de l’Université de Montréal.  Ensemble, ils détiennent une vaste expertise dans tous les domaines de l’ophtalmologie : rétine médicale et chirurgicale, glaucome, cornée et segment antérieur, oculoplastie, uvéite, ophtalmologie pédiatrique, strabisme et neuro-ophtalmologie.   Les étudiants en médecine, les résidents en ophtalmologie de l’Université de Montréal et les boursiers dans diverses sous-spécialités ophtalmologiques suivent une formation sous leur supervision.  Plus de 100 000 patients sont examinés annuellement à ses cliniques externes.  Son grand volume d’interventions chirurgicales reflète la grande variété et la complexité des cas examinés au CUO-HMR.  Les données générées par ce grand volume clinique sont propices à l’application de méthodes d’intelligence artificielle pour faire évoluer l’ophtalmologie et en faire bénéficier ses patients.

Les chercheurs fondamentaux et cliniques du CUO-HMR ont compris depuis longtemps que la création d’un environnement riche, diversifié et axé sur la multidisciplinarité est la clé pour résoudre des problèmes complexes et pour continuer à maintenir et développer leurs expertises.  Ils considèrent que de cette ouverture unique au partage des idées naîtra la créativité et que nous contribuons tous finalement au même objectif : offrir de meilleurs soins à nos patients.

Chercheurs et cliniciens

• MARIE CAROLE BOUCHER, MD, FRCSC

La Dre Marie Carole Boucher est professeure agrégée de clinique d’ophtalmologie au département d’ophtalmologie de l’Université de Montréal et pratique comme spécialiste de la rétine médicale et chirurgicale au Centre d’ophtalmologie universitaire Maisonneuve-Rosemont ou elle enseigne aussi aux étudiants en médecine, aux résidents et fellows. Elle est membre du Collège royal des médecins et chirurgiens du Canada et est certifiée par l’American Board of Ophthalmology. Elle a effectué un Fellowship en rétine médicale et chirurgicale au Washington University School of Medicine à St Louis, USA au Retina Institute de St Louis.

Son principal intérêt de recherche porte sur la rétinopathie diabétique (RD) avec une emphase portant sur la télé ophtalmologie pour améliorer l’accès au dépistage et à la surveillance de la rétinopathie diabétique. À cette fin, elle porte un intérêt spécifique aux les logiciels de dépistage et de téléconsultation, à l’intelligence artificielle et aue développement d’un registre de santé et de données d’imagerie pour soutenir la recherche. Dre Boucher a publié plusieurs articles scientifiques fondateurs en télé ophtalmologie pour la rétinopathie diabétique, présenté de multiples conférences nationales et internationales et participé à des essais cliniques en tant que chercheure. Pionnière du développement de programmes de télé ophtalmologie au Québec et au Canada, elle a lancé l’élaboration de lignes directrices canadiennes pour le télé-dépistage et la télé-surveillance de la RD et a jeté les bases de collaborations multidisciplinaires interdisciplinaires en intelligence artificielle pour l’ophtalmologie.

• RENAUD DUVAL, MD, FRCSC

Le Dr Renaud Duval a obtenu son doctorat en médecine à l’Université McGill et sa formation de résident en ophtalmologie à l’Université de Montréal. Il a effectué un stage en chirurgie vitréo-rétinienne à Chicago, Illinois, à l’Université Rush et à Illinois Retina Associates. Il est un ophtalmologiste certifié par le conseil d’administration, spécialisé dans la gestion des maladies médicales et chirurgicales de la rétine. Il est actuellement professeur adjoint au département d’ophtalmologie de la faculté de médecine de l’Université de Montréal et directeur du programme de bourses en ophtalmologie de l’Université de Montréal. Il a une pratique chirurgicale très active en tant que chef de la rétine au Centre Universitaire d’Ophtalmologie – Hôpital Maisonneuve-Rosemont où il voit des patients, opère, enseigne aux étudiants en médecine et aux résidents et forme des boursiers en vitréo-rétinologie.

Il est co-auteur d’un chapitre de livre sur la vitrectomie pour le décollement de la rétine et a publié de nombreux articles évalués par des pairs. Il a donné plusieurs conférences internationales, a participé à de nombreux essais cliniques en tant que chercheur principal ou co-chercheur et a remporté plusieurs prix pour ses vidéos chirurgicales, qui ont été présentées au niveau local et international. Ses intérêts de recherche comprennent l’intégration d’algorithmes d’apprentissage profond pour l’analyse des images du fond d’œil et des images OCT, la télé-ophtalmologie et l’innovation chirurgicale par le développement de nouveaux outils chirurgicaux pour lesquels il détient un brevet provisoire.

[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.

** English version of the information on this page | English version of the Call for applications