Anne Martel , professeure à l'Université de Toronto | Membre du corps professoral de l'Institut Vector
Chaque patient atteint de cancer se pose une question fondamentale : de quel traitement ai-je besoin ? Ni trop peu, au risque de laisser la maladie progresser, ni trop, au risque d’effets secondaires et d’une altération de la qualité de vie. Pour les médecins qui font ces recommandations, le défi est de prédire quels patients répondront bien à une intervention minimale et lesquels nécessiteront un traitement plus intensif.
Les recherches d'Anne Martel visent à développer des systèmes d'IA qui extraient des renseignements exploitables des données médicales afin de répondre à ces questions. Ses travaux portent sur l'imagerie médicale, notamment la pathologie et la radiologie numériques, combinées aux données textuelles cliniques provenant des dossiers des patients. L'objectif est de fournir aux oncologues des renseignements prédictifs utiles à la planification des traitements , contribuant ainsi à une prise en charge du cancer véritablement personnalisée.
Par exemple, chez une patiente atteinte d'un cancer du sein non invasif, l'IA peut-elle prédire si elle se portera bien sans radiothérapie, ou si elle risque de développer une forme plus agressive de la maladie nécessitant un traitement complémentaire ? Ces questions de recherche ont des répercussions directes sur l'état de santé et la qualité de vie des patientes.
Concilier innovation méthodologique et urgence clinique
Les travaux de Martel se situent à la croisée de plusieurs chercheurs en sciences appliquées : le dilemme entre le développement de nouvelles méthodes d’IA et la mise en œuvre de solutions concrètes aux problèmes actuels. Chercheuse financée en grande partie par des organismes comme les Instituts de recherche en santé du Canada, elle subit la pression de présenter des résultats et de résoudre des problèmes cliniques réels dans les délais impartis. En tant que chercheuse à la fine pointe de l'IA en imagerie médicale, elle est également motivée par la volonté de repousser les limites méthodologiques.
Son approche combine les deux. Pour les questions cliniques établies, son équipe applique et teste rigoureusement les méthodes de pointe existantes, établissant des références et démontrant les possibilités offertes par les approches actuelles. Parallèlement, elle développe de nouvelles méthodologies conçues pour dépasser les limites actuelles et améliorer la précision. Cette double approche permet d'apporter une valeur ajoutée à court terme aux partenaires cliniques tout en faisant progresser les fondements méthodologiques du domaine. Cette orientation pragmatique reflète également les leçons tirées de son expérience de cofondatrice de Pathcore , une entreprise de pathologie numérique, en 2006. Cette expérience lui a permis de mieux comprendre la différence entre innovation académique et viabilité commerciale. Les intérêts de recherche ne correspondent pas toujours aux besoins du marché, et ce qui passionne les chercheurs sur le plan technique n'est pas toujours ce qui favorise l'adoption. Pour les universitaires qui envisagent de valoriser leurs travaux, Martel suggère de mieux comprendre ses propres forces – que ce soit en recherche, en développement commercial ou en leadership technique – et de trouver des partenaires complémentaires, plutôt que d'essayer d'assumer tous les rôles soi-même. Cette expérience a renforcé son intérêt pour la recherche et le monde académique, tout en lui permettant de rester en contact avec la manière dont la recherche se transforme en outils pratiques.
L'avenir de l'IA médicale : l'intégration de multiples sources de données
Les projets qui passionnent le plus Martel actuellement portent sur l'intégration multimodale : la combinaison de différents types de données patient au sein de modèles d'IA unifiés. Son équipe a récemment présenté des travaux à la Conférence internationale sur la vision par ordinateur (ICCV) démontrant comment peaufiner de vastes modèles de base, entraînés sur des images de pathologie numérique, grâce à des informations génomiques complémentaires , tout en intégrant des données textuelles issues des dossiers cliniques afin d'orienter l'apprentissage du modèle.
Cette approche multimodale permet à l'IA d'exploiter des renseignements complémentaires. Les images histologiques révèlent la structure des tissus et les motifs cellulaires. Les données génomiques soulignent les caractéristiques moléculaires. Le texte clinique fournit un contexte sur les symptômes, les antécédents de traitement et les résultats. En intégrant ces différents types de données, les modèles peuvent identifier des tendances et faire des prédictions impossibles à réaliser à partir d'une seule source de données.
L'innovation technique consiste à adapter le modèle à l'apprentissage multitâche, où les tâches de classification présentent des similarités avec les tâches de prédiction de survie. Plutôt que d'entraîner des modèles distincts pour chaque objectif de prédiction, le système apprend des représentations partagées applicables à des tâches connexes, ce qui permet d'obtenir plus d'informations à partir de données limitées.
Cette orientation de recherche illustre la direction que prend l'IA médicale : elle s'éloigne des modèles isolés qui analysent des types de données uniques pour se tourner vers des systèmes intégrés qui combinent imagerie, génomique et informations cliniques afin de construire une compréhension globale de l'état de santé de chaque patient.
L'IA en imagerie médicale passe du rôle de suiveur à celui de leader.
En tant que rédacteur en chef de la revue Medical Image Analysis et membre de la Société MICCAI (Medical Image Computing and Computer Assisted Intervention) , Martel a constaté une évolution significative des relations entre l'IA en imagerie médicale et la communauté informatique au sens large. Il y a dix ans, les chercheurs en imagerie médicale découvraient généralement les dernières avancées en apprentissage automatique lors de conférences telles que ICCV, ICML et NeurIPS, avant d'adapter ces méthodes aux problèmes médicaux. Les innovations provenaient alors principalement de l'informatique et se répandaient vers la médecine.
Cette dynamique a évolué. De plus en plus, les innovations émergent de la recherche en imagerie médicale elle-même. L'architecture U-Net, désormais omniprésente pour la segmentation d'images dans de nombreux domaines, a été initialement développée et présentée lors de MICCAI, la principale conférence sur l'imagerie médicale. Les chercheurs en imagerie médicale créent maintenant des méthodes fondamentales, au lieu de simplement les appliquer. Le domaine est passé d'une approche consistant à suivre les avancées méthodologiques à la contribution de nouvelles approches qui influencent l'ensemble de la communauté de l'IA.
Ce changement est important pour des institutions comme Vector. Soutenir la recherche en IA spécialisée dans des domaines tels que l'imagerie médicale ne consiste pas seulement à appliquer des techniques générales à de nouveaux problèmes, mais aussi à reconnaître qu'une implication profonde dans les défis du domaine produit souvent des innovations méthodologiques véritablement inédites qui profitent à l'ensemble du domaine.
Ce rôle éditorial permet aussi à Martel de saisir les nouveaux défis posés par la généralisation de l'IA. Le nombre de soumissions d'articles a explosé, et il est devenu de plus en plus difficile de distinguer les travaux véritablement novateurs des simples améliorations. Pour un chercheur axé sur les applications cliniques, un critère supplémentaire s'impose : ce travail apporte-t-il une réelle valeur ajoutée en milieu médical, ou s'agit-il d'une innovation méthodologique sans application pratique ?
« Je suis plutôt du côté pratique. Il faut donc se demander : « C'est formidable d'un point de vue théorique, mais est-ce que ça va vraiment servir à quelque chose et est-ce approprié ? Et aussi, est-ce que ça a été correctement testé dans un contexte clinique ? » »
Comment Vector facilite la recherche en IA médicale
Pour les chercheurs travaillant à la frontière entre l'informatique et la médecine, des institutions comme Vector fournissent une infrastructure essentielle. La recherche en IA médicale exige une véritable expertise dans les deux domaines : la compréhension des capacités techniques de l'apprentissage automatique moderne et des exigences et contraintes spécifiques des applications cliniques.
Vector facilite ces échanges de plusieurs manières. L'institut rassemble des chercheurs en informatique provenant de divers domaines d'application, créant ainsi des occasions naturelles de collaboration et de partage des connaissances. Pour les chercheurs en imagerie médicale, Vector donne accès à une expertise en ingénierie de l'IA permettant de mettre en œuvre et de déployer des méthodes à grande échelle, ainsi qu'à des ressources de calcul rendant possible l'entraînement de modèles complexes . L'évolution du statut de membre associé à celui de membre titulaire de la faculté offre une intégration de plus en plus poussée au sein de cet écosystème, avec des ressources accrues et des collaborations renforcées, permettant de mener des programmes de recherche plus ambitieux. Pour les chercheurs qui se demandent si une affiliation à Vector serait bénéfique à leurs travaux, la question est de savoir si l'accès à cette communauté interdisciplinaire, combiné à un soutien en calcul et en ingénierie, accélérerait leur parcours de recherche. Pour ceux qui mènent véritablement des recherches à la croisée des disciplines, la réponse est souvent affirmative.
