Anne Martel, professeure, Université de Toronto | Membre du corps professoral de l’Institut Vector
Chaque patient atteint de cancer fait face à une question fondamentale : de quel traitement ai-je besoin? Pas trop peu, ce qui pourrait permettre à la maladie de progresser, mais pas plus que nécessaire, ce qui pourrait causer des effets secondaires et réduire la qualité de vie. Pour les médecins qui font ces recommandations, le défi est de la prédiction : quels patients réussiront avec une intervention minimale, et lesquels ont besoin d’une thérapie plus agressive?
Les recherches d’Anne Martel développent des systèmes d’IA qui extraient des informations exploitables à partir de données médicales pour aider à répondre à ces questions. Ses travaux portent sur l’imagerie médicale, en particulier la pathologie numérique et la radiologie, combinées à des données textuelles cliniques issues des rapports de patients. L’objectif est de fournir aux oncologues des informations prédictives qu’ils peuvent utiliser lors de la planification du traitement, en progressant vers des soins du cancer véritablement personnalisés.
Pour une patiente atteinte d’un cancer du sein non invasif, par exemple, l’IA peut-elle prédire si elle réussira sans radiothérapie, ou si elle risque d’avoir une maladie plus agressive nécessitant un traitement supplémentaire? Ces questions de recherche mènent à des décisions qui affectent directement les résultats et la qualité de vie des patients.
Concilier l’innovation méthodologique avec l’urgence clinique
Le travail de Martel repose sur une tension productive familière à de nombreux chercheurs travaillant dans des domaines appliqués : l’attraction entre le développement de nouvelles méthodes d’IA et la fourniture de solutions qui fonctionnent pour de vrais problèmes aujourd’hui. En tant que chercheur financé largement par des organismes comme les Instituts canadiens de recherche en santé, il y a une pression pour démontrer les résultats et résoudre de vrais problèmes cliniques dans les délais de subvention. En tant qu’universitaire à l’avant-garde de l’IA en imagerie médicale, il y a aussi la volonté de repousser les limites méthodologiques.
Son approche équilibre les deux. Pour les questions cliniques établies, son équipe applique et teste rigoureusement des méthodes de pointe existantes, établissant des repères et démontrant ce qui est possible avec les approches actuelles. Simultanément, ils développent de nouvelles méthodologies conçues pour dépasser les limites actuelles et améliorer la précision. Cette double approche signifie offrir une valeur à court terme aux partenaires cliniques tout en faisant progresser les bases méthodologiques du domaine. Cette orientation pratique reflète aussi les leçons tirées de son expérience de cofondation de Pathcore, une entreprise de pathologie numérique, en 2006. Cette expérience a offert une perspective précieuse sur la différence entre l’innovation académique et la viabilité commerciale. Les intérêts de recherche ne correspondent pas toujours aux besoins du marché, et ce qui passionne techniquement les chercheurs n’est pas toujours ce qui motive l’adoption. Pour les universitaires qui envisagent la traduction de leur travail, Martel suggère que comprendre ses propres forces – que ce soit en recherche, développement des affaires ou leadership technique – et trouver des partenaires complémentaires compte plus que d’essayer de remplir tous les rôles soi-même. Cette expérience a renforcé son orientation vers la recherche et le côté académique, tout en maintenant un lien avec la façon dont la recherche devient finalement des outils pratiques.
L’avenir de l’IA médicale : intégrer plusieurs sources de données
Les projets que Martel trouve les plus passionnants impliquent actuellement l’intégration multimodale – combinant plusieurs types de données de patients en modèles d’IA unifiés. Son équipe a récemment présenté des travaux à la Conférence internationale sur la vision par ordinateur (ICCV) démontrant comment prendre de grands modèles de fondation entraînés sur des images de pathologie numérique et les ajuster en utilisant des informations supplémentaires de génomique, tout en intégrant du texte issu de dossiers cliniques pour guider ce que le modèle apprend.
Cette approche multimodale permet à l’IA de tirer parti de l’information complémentaire. Les images de pathologie montrent la structure tissulaire et les schémas cellulaires. Les données génomiques révèlent des caractéristiques moléculaires. Le texte clinique fournit un contexte sur les symptômes, l’historique thérapeutique et les résultats. En intégrant ces différents types de données, les modèles peuvent identifier des motifs et faire des prédictions qui ne seraient pas possibles à partir d’une seule source de données.
L’innovation technique consiste à adapter le modèle pour gérer l’apprentissage multitâche, où les tâches de classification partagent des similitudes avec les tâches de prédiction de survie. Plutôt que d’entraîner des modèles séparés pour chaque objectif de prédiction, le système apprend des représentations partagées qui s’appliquent à des tâches connexes, obtenant ainsi plus d’informations à partir de données limitées.
Cette orientation de recherche représente la direction que prend l’IA médicale : s’éloigner des modèles isolés qui analysent des types de données uniques, vers des systèmes intégrés qui combinent l’imagerie, l’information génomique et clinique pour bâtir une compréhension complète des conditions individuelles des patients.
L’IA en imagerie médicale évolue de suiveur à leader
En tant que rédactrice principale de Medical Image Analysis et membre de la Medical Image Computing and Computer Assistance Intervention (MICCAI) Society, Martel a observé un changement significatif dans la relation de l’IA en imagerie médicale avec la communauté plus large de l’informatique. Il y a dix ans, les chercheurs en imagerie médicale apprenaient généralement les nouvelles avancées en apprentissage automatique lors de conférences comme l’ICCV, l’ICML et le NeurIPS, puis adaptaient ces méthodes à des problèmes médicaux. Les innovations provenaient principalement de l’informatique vers la médecine.
Cette dynamique a changé. De plus en plus, les nouveaux développements proviennent 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 à MICCAI, la principale conférence d’imagerie médicale. Les chercheurs en imagerie médicale créent maintenant des méthodes fondamentales, et ne se contentent pas de les appliquer. Le domaine a mûri, passant des avancées méthodologiques à la contribution de nouvelles approches qui influencent la communauté plus large de l’IA.
Ce changement est important pour des institutions comme Vector. Soutenir la recherche en IA spécifique à un domaine comme l’imagerie médicale ne consiste pas seulement à appliquer des techniques générales à de nouveaux problèmes, mais aussi à reconnaître qu’un engagement profond face aux défis du domaine produit souvent des innovations méthodologiques véritablement nouvelles qui profitent à l’ensemble du domaine.
Ce rôle éditorial offre aussi à Martel une perspective sur les défis émergents à mesure que l’IA devient plus répandue. Le volume de soumissions d’articles a augmenté de façon spectaculaire, et distinguer un travail vraiment innovant des modifications incrémentales devient de plus en plus difficile. Pour un chercheur axé sur les applications cliniques, un filtre supplémentaire est essentiel : ce travail apporte-t-il réellement de la valeur dans les milieux médicaux, ou s’agit-il d’une innovation méthodologique sans applicabilité pratique?
« Je suis plutôt du côté appliqué. Alors il faut se demander : eh bien, c’est super d’un point de vue théorique, mais est-ce que ça servira un jour et est-ce approprié? Et aussi, l’ont-ils testée correctement dans un domaine clinique? »
Comment Vector permet la recherche en IA médicale
Pour les chercheurs travaillant à la frontière entre l’informatique et la médecine, des institutions comme Vector offrent une infrastructure cruciale. La recherche en IA médicale requiert une véritable expertise dans les deux domaines – comprendre à la fois les capacités techniques de l’apprentissage automatique moderne et les exigences et contraintes spécifiques des applications cliniques.
Le vecteur facilite ce pontage de plusieurs façons. L’institut réunit des chercheurs issus de l’informatique et de divers domaines d’application, créant ainsi des occasions naturelles de collaboration et d’échange de connaissances. Pour les chercheurs en imagerie médicale, Vector offre accès à une expertise en ingénierie IA qui peut aider à mettre en œuvre et à mettre à l’échelle des méthodes, ainsi que des ressources computationnelles qui rendent possible l’entraînement de grands modèles. La progression de professeur affilié à membre du corps professoral permet une intégration de plus en plus profonde dans cet écosystème, avec des ressources élargies et des liens collaboratifs renforcés qui permettent des programmes de recherche plus ambitieux. Pour les chercheurs qui se demandent si l’affiliation aux Vectors pourrait bénéficier à leur travail, la question est de savoir si l’accès à cette communauté interdisciplinaire, combiné à un soutien computationnel et en ingénierie, accélérerait leur trajectoire de recherche. Pour ceux qui poursuivent réellement un travail à des limites disciplinaires, la réponse est souvent oui.
