Pro­fesseur des uni­ver­sités dans la spé­cial­ité math­é­ma­tiques appliquées, Flo­ri­an De Vuyst est chercheur au lab­o­ra­toire Bio­mé­canique et bio­ingénierie (BMBI). Il détaille les dif­férents mod­èles d’intelligence arti­fi­cielle (IA).

Par­mi les mod­èles d’IA les plus util­isés fig­urent les réseaux de neu­rones arti­fi­ciels pro­fonds. « Ces mod­èles ont l’avantage d’établir une rela­tion pré­cise entre les don­nées d’entrée et les don­nées de sor­tie. Cepen­dant, la phase d’apprentissage néces­site un gros vol­ume de don­nées (mesures, obser­va­tions, résul­tats de sim­u­la­tion, don­nées con­textuelles…) et exige d’importantes ressources de cal­cul. Ce type d’IA peut être util­isé pour mieux com­pren­dre le fonc­tion­nement de dis­posi­tifs expéri­men­taux com­plex­es où plusieurs physiques sont impliquées. Les réseaux de neu­rones sont capa­bles de repro­duire le com­porte­ment général de sys­tèmes mul­ti­physiques et per­me­t­tent de réalis­er des études de sen­si­bil­ité et d’optimisation sur les paramètres de fonc­tion­nement », explique-t-il. L’utilisation de réseaux de neu­rones pro­fonds est envis­agée au sein du lab­o­ra­toire, en col­lab­o­ra­tion avec Tim­o­th­ée Baud­e­quin, pour prédire le com­porte­ment de dis­posi­tifs d’électrofilage. « Ce sont des machines qui pro­duisent des nanofi­bres per­me­t­tant de fab­ri­quer des matri­ces (scaf­folds) pour les cul­tures cel­lu­laires », assure-t-il. Par­mi les autres mod­èles d’IA util­isés à BMBI fig­ure égale­ment l’apprentissage sta­tis­tique ou machine learn­ing. « Des mem­bres de l’équipe Car­ac­téri­sa­tion et Mod­éli­sa­tion per­son­nal­isée du sys­tème MUS­cu­lo-squeleT­tique (C2MUST) utilisent ce type de mod­èles pour déter­min­er le com­porte­ment de sys­tèmes mus­cu­lo-squelet­tiques et, par exem­ple, en prédire le vieil­lisse­ment. C’est une approche prob­a­biliste qui tient compte des incer­ti­tudes sur les mod­èles, les don­nées ou les con­di­tions expéri­men­tales », souligne Flo­ri­an De Vuyst.

D’autres out­ils d’IA sont con­sacrés à l’aide au traite­ment d’images per­me­t­tant par exem­ple la détec­tion d’anomalies ou la recherche de car­ac­téris­tiques impor­tantes dans les images, pas for­cé­ment vis­i­bles à l’œil. « Cela peut être des images sta­tiques ou des vidéos mais aus­si des images 3D ou même 4D dynamiques. C’est un des axes de recherche d’Isabelle Claude qui a dirigé la thèse d’Abdelhadi Essam­lali sur la recon­struc­tion des voies bil­i­aires. Il s’agit là d’une approche patient-spé­ci­fique où on recon­stitue en vol­ume l’organe du patient en vue d’aider le prati­cien dans sa pré­pa­ra­tion à l’acte chirur­gi­cal », ajoute-t-il. Ce sont sou­vent les usages qui déter­mi­nent le développe­ment de tel ou tel type d’IA. « Prenons le cas de la déter­mi­na­tion du com­porte­ment mécanique des tis­sus vivants. Habituelle­ment, on définit une ou plusieurs lois et on essaie de trou­ver celle qui repro­duit aux mieux les mesures expéri­men­tales. Main­tenant, nous util­isons des tech­niques d’IA où nous inté­grons l’ensemble de ces lois empiriques dans une famille de lois plus générales et c’est le réseau de neu­rones qui va trou­ver la sous-famille et les coef­fi­cients qui soient les plus fidèles à la réal­ité. C’est en quelque sorte une approche générale inté­grée per­me­t­tant d’être plus général­iste et plus pré­cis dans la mod­éli­sa­tion d’un tis­su biologique », détaille-t-il.

Enfin, plus récem­ment sont apparues des util­i­sa­tions de l’IA per­me­t­tant l’accélération des sim­u­la­tions numériques de mod­èles mécaniques. « Il s’agit par exem­ple de réseaux de neu­rones infor­més par la physique qui ont l’avantage d’être plus généraux et plus rapi­des que les solveurs clas­siques telles les méth­odes d’éléments finis. Dans la phase d’apprentissage des réseaux de neu­rones, on utilise ce que l’on appelle une fonc­tion de perte (loss func­tion). Dans un PINN, la fonc­tion de perte est un résidu d’équation. Le prob­lème est résolu lorsque la loss atteint zéro », pré­cise-t-il. Aujourd’hui, les mod­èles d’IA irriguent la plu­part des domaines. Il n’en demeure pas moins qu’une cer­taine vig­i­lance reste de mise con­cer­nant les biais pos­si­bles. « L’IA doit être con­sid­érée comme un assis­tant qui, en par­ti­c­uli­er dans le domaine bio­médi­cal, per­met de fournir une analyse ou un diag­nos­tic com­plé­men­taire devant être impéra­tive­ment validés par l’humain », con­clut Flo­ri­an De Vuyst. 

MSD