Intelligence artificielle et autres outils numériques : apporter à la microbiologie et aux maladies infectieuses

Points-forts

Des perspectives immenses, notamment d’aide au diagnostic, en microbiologie et maladies infectieuses grâce à l’utilisation d’un nombre croissant d’algorithmes d’apprentissage automatique ( Machine Learning ).

De nombreuses données utilisables par les approches de ML en microbiologie et maladies infectieuses sont disponibles. La numérisation, le tri et l’analyse des données nécessitent un savoir-faire et des infrastructures particulières car les données médicales/microbiologiques sont volumineuses et hétérogènes, même pour un même examen réalisé.

Les algorithmes de Machine Learning sont capables de réaliser les tâches les plus répétitives de microbiologie et de médecine de manière automatisée.

Abstrait

L’exploitation numérique des données par l’intelligence artificielle, et en particulier par l’apprentissage automatique (AA), connaît un nombre croissant d’applications dans le domaine de la santé, notamment en microbiologie et en infectiologie. Cette revue vise à présenter un aperçu non exhaustif des principales applications des algorithmes d’AA en microbiologie et en infectiologie. Bien que peu d’applications soient actuellement disponibles en pratique courante, les perspectives pour la biologie intégrative, le diagnostic et l’aide à la prescription sont nombreuses.

Introduction

Bien que le concept d’intelligence artificielle (IA) date de 1956, cette dernière décennie a effectivement vu une accélération de son développement et de son utilisation [1]. L’IA faisant appel à un vocabulaire particulier, les termes indiqués par un astérisque lors de leur première occurrence dans le présent article sont définis dans le Tableau 1. En santé, l’utilisation des techniques d’IA* pour l’analyse des données volumineuses et hétérogènes ( 

big data *) couplée à la mise en place d’outils de digitalisation*, constitue une révolution [2]. Les différentes approches de l’IA dans les domaines de la santé ont pour objectifs : (i) l’amélioration de l’analyse des données numériques de santé, (ii) le perfectionnement des techniques diagnostiques, (iii) la réduction des coûts de soins de santé et (iv) l’optimisation du flux de travail* [3,4] (Fig. 1).

Nous nous intéresserons ici à ses applications en microbiologie et maladies infectieuses. Les données microbiologiques et cliniques diffèrent par leur structure, leur nature et l’hétérogénéité des unités utilisées pour un même paramètre selon le site réalisant l’analyse. En microbiologie, elles correspondent par exemple à des images d’examens microscopiques, de cultures microbiennes, des données génomiques, transcriptomiques et protéomiques, des données diverses telles que des courbes de PCR et des concentrations minimales inhibitrices (CMI). En clinique, elles correspondent à des images d’examens radiologiques et des comptes rendus d’hospitalisation, de consultation ou d’examens paracliniques. Ainsi, la « digitalisation* » des données, c’est-à-dire le processus de transformation des données dans un format lisible par un ordinateur est une première étape indispensable avant leur utilisation par les techniques d’IA.

L’IA employée pour l’analyse et l’interprétation des données microbiologiques se caractérise comme le développement de programmes informatiques qui utilisent des algorithmes* capables de répondre à une problématique bien définie. Un sous-domaine de l’IA particulièrement utilisé en microbiologie est l’apprentissage automatique (Machine Learning, ML*). Il consiste à laisser des algorithmes découvrir, à l’aide d’un processus appelé entraînement, des motifs récurrents dans des ensembles de données. Les algorithmes apprennent et améliorent alors de façon autonome leurs performances dans l’exécution d’une tâche spécifique ou la résolution d’une question spécifique. Ces algorithmes d’apprentissage automatique peuvent être opposés aux systèmes experts qui sont limités à des règles strictes. Plusieurs approches de ML peuvent être utilisées pour répondre à des problématiques de classification (prédiction d’une catégorie) ou de régression (prédiction d’une valeur numérique) (Fig. 2) : (i) l’apprentissage supervisé qui correspond à l’entraînement d’un algorithme à partir de données préalablement étiquetées et (ii) l’apprentissage non supervisé qui correspond à l’entraînement d’un algorithme à partir de données non étiquetées qui conduisent à la reconnaissance par l’algorithme des structures sous-jacentes aux données pour les interpréter. Un sous-domaine du ML est l’apprentissage profond (Deep Learning, DL*) qui correspond à l’utilisation de réseaux de neurones artificiels assemblés en plusieurs couches. Il existe une grande variété d’architectures de réseaux de neurones qui sont adaptées pour répondre à des problématiques spécifiques. Par exemple, les réseaux de neurones à convolutions (convolutional neural networks, CNN*), dont l’organisation est inspirée du cortex visuel des animaux, sont performants pour l’analyse d’images.

L’objectif de cet article est de présenter une revue des domaines d’utilisation de l’IA en microbiologie et maladies infectieuses et d’en discuter les défis et les perspectives.

Diagnostic microbiologique

Le diagnostic microbiologique des infections repose sur des méthodes directes comme l’examen microscopique, la culture et, dans une moindre mesure, les techniques moléculaires ainsi que sur des méthodes indirectes comme la sérologie. L’ensemble des techniques d’IA présentées dans cette revue se concentre sur les méthodes directes.

Diagnostic des maladies infectieuses

Une revue récente synthétisant les résultats d’une soixantaine de travaux a répertorié les applications actuelles de l’IA en maladies infectieuses. Ainsi, l’IA participe à l’amélioration du diagnostic de l’infection (20/60 des articles étudiés), à la détection précoce du sepsis (18/60), à la prédiction de la réponse au traitement antimicrobien (13/60) et à la résistance aux antibiotiques (4/60), ainsi qu’au choix d’un régime antibiotique dans 5 % des cas (3/60) [25].

La contribution de l’IA a

Aider à la prescription antibiotique

Comme décrit plus haut, les techniques de ML pourraient aider à déterminer la probabilité de résistance bactérienne et ainsi aider à la juste prescription des antibiotiques. Le Tableau 2 présente les études évaluant l’influence de la prescription d’antibiotiques lorsqu’elle est assistée par le ML [30], [31], [32], [33], [34], [35], [36], [37]. Ainsi, Yelin et.al. ont montré qu’il était possible de déterminer une probabilité de résistance aux antibiotiques dans les infections urinaires

Conclusion et perspectives

Ces dernières années un nombre croissant de travaux portant sur les applications d’algorithmes de ML en santé, et plus particulièrement en microbiologie et en maladies infectieuses ont vu le jour. Néanmoins ces techniques restent encore peu utilisées en pratique quotidienne du fait de certaines limites et enjeux liés à leur utilisation, autant techniques qu’éthiques : 

• (i)les performances des applications de ML dépendent du type d’algorithmes choisi mais surtout de la quantité et de la qualité des

Références en exergue

• 1.Peiffer-Smadja N, Rawson TM, Ahmad R, Buchard A, Georgiou P, Lescure FX, et al. Machine learning for clinical decision support in infectious diseases : a narrative review of current applications. Clin Microbiol Infect 2020 ; 26(5) : 584–95. doi : 10.1016/j.cmi.2019.09.009

Revue évaluant les objectifs et algorithmes de Machine Learning utilisés dans le domaine des maladies infectieuses.

• 2.Egli A, Schrenzel J, Greub G. Digital microbiology. Clinical Microbiology and Infection 2020 ; 26(10) : 1324–31. 

Références (44)

• A Egli et al.Digital microbiologyClin Microbiol Infect(2020)
• N Peiffer-Smadja et al.Machine learning for clinical decision support in infectious diseases: a narrative review of current applicationsClin Microbiol Infect(2020)
• V Balakrishnan et al.Machine learning approaches in diagnosing tuberculosis through biomarkers – A systematic reviewProg Biophys Mol Biol(2023)
• N Peiffer-Smadja et al.Machine learning in the clinical microbiology laboratory: has the time come for routine practice?Clin Microbiol Infect(2020)
• A. JeanUne brève introduction à l’intelligence artificielleMed Sci(2020)