Pour la première fois, une étude a montré que l’apprentissage fédéré peut être utilisé sur des données d’histopathologie issues de plusieurs hôpitaux sans les exposer directement. Publiée dans la prestigieuse revue Nature Medicine, cette étude a été menée par la biotech Owkin, avec l’Institut Curie, l’IUCT Oncopole, le Centre Léon Bérard et Gustave Roussy.
Cette avancée importante ouvre la voie à une recherche médicale dont l’un des moteurs serait l’IA utilisant de plus grands ensembles de données multicentriques, permettant aux modèles d’échapper aux biais des études monocentriques.
À terme, cela pourrait permettre de réaliser une percée majeure dans le domaine de la médecine de précision grâce à l’utilisation d’une IA sécurisée préservant la confidentialité des données.
Une étape importante a donc été franchie avec le déploiement de cette infrastructure d’apprentissage fédérée, montrant une nouvelle approche dans la construction des algorithmes d’IA dans la recherche sur le cancer répondant aux enjeux RGPD.
À l’aide des données conservées dans quatre grands hôpitaux français, une biotech spécialisée dans l’IA appliquée à la recherche médicale, a construit des modèles d’IA capables de générer une prédiction de la réponse future des patientes atteintes d’un cancer du sein triple négatif (TNBC) à une chimiothérapie néoadjuvante.
En utilisant une IA interprétable pour extraire des informations de lames de pathologie numérique, cette biotech a pu mettre en exergue de nouveaux biomarqueurs potentiels.
À l’avenir, cela pourrait aider à orienter les patients vers des traitements plus adaptés ou de nouveaux traitements expérimentaux, améliorant ainsi la personnalisation des soins médicaux.
Le consortium a ainsi utilisé l’apprentissage fédéré, une approche d’IA collaborative qui préserve la confidentialité et la sécurité des données grâce à un logiciel récemment mis en libre accès sur une plateforme, qui rend chaque opération traçable.
C’est la première fois que des modèles d’apprentissage automatique sont entraînés à l’aide de données histopathologiques provenant de plusieurs hôpitaux, sans que ces données ne quittent ces derniers.
En effet, jusqu’à aujourd’hui, la plupart des études publiées se limitaient à simuler l’apprentissage fédéré en distribuant artificiellement des données dans des centres fictifs.
Il s’agit donc d’une preuve historique de l’utilisation de l’IA dans la recherche médicale et d’une percée dans la mise en œuvre pratique de l’IA pour la recherche.
L’étude a utilisé les données pathologiques numérisées et les informations cliniques de 650 patients provenant de l’Institut Curie, du Centre Léon Bérard, de Gustave Roussy et de l’IUCT Oncopole, en faisant ainsi l’une des plus grandes cohortes TNBC jamais réunies pour ce type d’analyses.
La recherche s’appuie sur l’utilisation pionnière de l’apprentissage fédéré pour permettre aux entreprises pharmaceutiques de collaborer à la recherche de médicaments tout en préservant la confidentialité, la sécurité et l’avantage compétitif potentiel de chaque collaborateur.
Les résultats du projet MELLODDY, publiés cette année, ont montré que la collaboration en IA pour la découverte de médicaments est possible à l’échelle industrielle grâce à l’apprentissage fédéré, une première pour l’industrie.
En plus de répondre aux préoccupations en matière de confidentialité et de sécurité, l’apprentissage fédéré peut également simplifier les questions de gouvernance des données, en supprimant la nécessité de les transférer et en favorisant une recherche plus collaborative.
Grâce a ce partenariat, une analyse fédérée originale , sur des données médicales en conditions de vie réelle a ete réalisé et la première de ce type sur des données d’histopathologie.
En connectant les institutions de manière fédérée, la masse critique de données de cancer du sein triple négatif nécessaire pour que l’IA découvre, par elle-même, des modèles histologiques prédictifs de la réponse au traitement a pu être atteinte !
Cette preuve de concept va certainement encourager les institutions médicales à collaborer dans des réseaux d’apprentissage fédérés afin de faire avancer la recherche tout en préservant la confidentialité des données des patients.