Bernard

  • IA et microscopie multiphotonique : une alliance pour transformer l’analyse tumorale

    Limites d’interprétation de la microscopie multi photonique

    Une équipe d’une douzaine de chercheurs chinois, composée de radiologues, de spécialistes en médecine moléculaire, d’ingénieurs en mécanique, d’optoélectroniciens et de data scientists de l’université de Fuzhou a exploré l’intégration de l’intelligence artificielle (IA) avec la microscopie multi photonique sans marquage pour optimiser l’analyse tumorale.

    La microscopie multi photonique repose sur des effets optiques non linéaires, permettant d’obtenir, sans agents de marquage, des images avec une résolution submicrométrique et une profondeur d’imagerie d’un millimètre. Cette technologie visualise en temps réel des composants des tissus, tels que le collagène, et observe des processus métaboliques cellulaires. Malgré ces avantages, des biais d’interprétation peuvent persister.

    3 Techniques d’IA pour affiner le diagnostic

    Les chercheurs, coordonnés par le laboratoire de sciences optoélectroniques de l’université de Fuzhou, ont utilisé plusieurs techniques d’IA pour améliorer la précision du diagnostic multi photonique :

    • Réseaux neuronaux : Utilisation d’algorithmes de Machine Learning, comme ResNet et InceptionV3, pour l’analyse des tissus tumoraux.
    • Modèles de segmentation : Application de modèles U-Net et de réseaux antagonistes génératifs (GANs) pour la génération d’images virtuelles et la segmentation cellulaire.
    • Méthodes d’amélioration d’image : Techniques supervisées et non supervisées pour optimiser la qualité des images multi photoniques.

    99,8% de précision et 60% de réduction du temps d’analyse

    Cette étude, menée sur plusieurs années, a analysé des tumeurs dans plus de 16 organes humains. Publiés en septembre 2024 dans Light: Science & Applications, les résultats montrent les bénéfices de l’intégration de la microscopie multi photonique avec l’IA, notamment :

    • Amélioration des diagnostics de cancer : Taux de précision des diagnostics passés de 90 % à 99,8 % pour les cancers du sein et du foie.
    • Assistance aux pathologistes : L’IA a accru l’objectivité et réduit le temps de diagnostic de 60 % en moyenne.
    • Précision accrue : Amélioration des diagnostics de tumeurs dans plus de 16 organes humains.

    Les perspectives cliniques de cette étude incluent :

    • Amélioration du diagnostic : Optimisation pour les cancers invasifs et les pathologies neurodégénératives.
    • Automatisation des étapes diagnostiques : L’intégration de l’IA permettra d’automatiser certaines étapes, réduisant la charge de travail des pathologistes tout en augmentant la fiabilité des résultats.

     

  • Modèles cellulaires : un tournant pour la recherche biologique

    Six innovations majeures

    Les chercheurs de cinq laboratoires parmi les plus influents en Chine, aux États-Unis et au Canada, à l’origine des grands modèles cellulaires, ont récemment publié dans Quantitative Biology une analyse détaillée de l’impact de ces technologies sur la recherche biologique. Ces modèles offrent une alternative aux méthodes traditionnelles en reproduisant plus fidèlement les conditions in vivo et la complexité des tissus. Ils modélisent de manière plus précise les interactions cellule-cellule et cellule-matrice extracellulaire, améliorent la prédictivité des effets des composés testés et réduisent le taux d’échec des candidats-médicaments en phase clinique.

    Le consortium international, dirigé par le laboratoire de Bioinformatique du Département d’automatisation de l’Université Tsinghua, a identifié six innovations clés dans les grands modèles cellulaires récents, tels que Sc Bert, Geneformer, SGPT, ScFoundation et GeneCompass. Ces modèles, basés sur une architecture de type transformeur, préentraînés sur de vastes ensembles de données transcriptomiques de cellules uniques, intègrent des connaissances biologiques profondes. En outre, l’intelligence artificielle joue un rôle central dans l’amélioration de ces modèles. Les innovations majeures incluent :

    • Développement d’organoïdes complexes intégrant plusieurs types cellulaires
    • Création d’« assembloids » fusionnant différents types d’organoïdes
    • Utilisation de la bio-impression pour reproduire l’architecture tissulaire
    • Intégration de composantes vasculaires et immunitaires
    • Développement de systèmes « organes-sur-puce » permettant d’étudier les interactions inter-organiques

    L’apport spécifique de l’IA et les défis à relever

    Les apports de l’IA résident  dans utilisation de l’apprentissage par transfert pour affiner les prédictions spécifiques au contexte, l’amélioration de la précision prédictive dans diverses tâches biologiques, la découverte de nouveaux régulateurs et cibles thérapeutiques potentielles, ainsi que dans l’ analyse à grande échelle des données transcriptomiques de cellules uniques.

    Malgré ces avancées vers une médecine de précision, plusieurs obstacles demeurent. Parmi eux, la transformation des données ARN en entrées exploitables pour ces modèles, la nécessité de collecter de grandes quantités de données d’entraînement appropriées, et la difficulté à construire des modèles performants avec des données expérimentales limitées.

     

  • Clarapath lève 36 M$ pour automatiser les laboratoires grâce à l’IA

    90 % d’erreurs en moins dans la préparation des échantillons tissulaires

    Clarapath, qui a réalisé ce tour de financement de série B-1, propose un système d’automatisation des examens histologiques, basé sur l’intelligence artificielle (IA) et la robotique, qui optimise la préparation des échantillons tissulaires. Baptisé SectionStar, ce système utilise la vision par ordinateur pour analyser et positionner avec précision les échantillons tissulaires, assurant une découpe uniforme et un alignement optimal sur les lames. L’IA automatise le sectionnement et le transfert des échantillons, optimisant ainsi le processus d’analyse en pathologie.

    Au cœur du dispositif, l’IA permet de :

    • standardiser la préparation des échantillons en éliminant les variations liées aux manipulations humaines. Elle assure un contrôle précis des étapes critiques, comme la découpe et l’alignement des tissus sur les lames, garantissant ainsi une qualité constante.
    • réduire considérablement les délais de traitement, passant de six heures en moyenne avec les méthodes traditionnelles à moins d’une heure.
    • et diminuer également de 90 % les erreurs humaines, particulièrement lors des phases de découpage et de transfert.

    En automatisant ces tâches répétitives, SectionStar ferait gagner aux pathologistes jusqu’à 60 % de leur temps, qu’ils peuvent consacrer à des activités à plus forte valeur ajoutée.

    Réduction de 90 % des erreurs dans la préparation des échantillons tissulaires

    Clarapath optimise révolutionne la préparation des échantillons tissulaires en combinant l’intelligence artificielle (IA) et la robotique. Son système SectionStar automatise le sectionnement et le transfert des échantillons, améliorant ainsi l’efficacité et la qualité des analyses pathologiques.Au cœur du processus, l’IA :

    • standardise la préparation des échantillons en éliminant les variations dues aux manipulations humaines en contrôlant précisément des étapes clés comme la découpe et l’alignement des tissus sur les lames, garantissant une qualité constante des préparations ;
    • réduit les délais de traitement qui passent de six heures avec les méthodes traditionnelles à moins d’une heure grâce à l’automatisation ;
    • réduit de 90 % les erreurs humaines, en particulier lors des étapes critiques de découpe et de transfert des échantillons.

    En automatisant ces tâches répétitives, le système robotique SectionStar libère jusqu’à 60 % du temps des pathologistes, leur permettant ainsi de se concentrer sur des tâches à plus forte valeur ajoutée, telles que l’interprétation des résultats et la prise de décisions diagnostiques complexes.

    Un marché mondial de 24 Mds$

    La récente levée de fonds de 36 millions de dollars porte le financement total de Clarapath à 75 millions de dollars. Cette nouvelle injection de capital vise à accélérer le déploiement mondial de sa solution d’automatisation, alimentée par l’intelligence artificielle. L’entreprise concentre d’abord son expansion sur les États-Unis, avec des extensions prévues vers l’Asie et l’Europe, où la demande pour des diagnostics plus rapides et des processus de laboratoire optimisés est en constante augmentation.

    Clarapath s’inscrit dans le marché en pleine croissance de la pathologie numérique, estimé à 24 milliards de dollars selon Market Research Future. Ce marché devrait atteindre 49 milliards de dollars d’ici 2028, avec un taux de croissance annuel composé de 15,6 %.

     

  • 97,57% de précisions pour le diagnostic du paludisme grâce au deep learning

    Paludisme : 619 000 décès, détecter mieux pour sauver plus

    Une équipe internationale de chercheurs, comprenant des experts d’Arabie Saoudite, de Corée du Sud, d’Espagne, du Mexique, d’Angola et des États-Unis, a développé une solution automatisée basée sur le deep learning pour détecter le paludisme à partir d’images de frottis sanguins.

    Selon l’Organisation mondiale de la Santé, le paludisme a causé 619 000 décès l’année dernière, principalement en Afrique, en Asie du Sud-Est et dans la région Méditerranéenne. La détection précoce est cruciale pour éviter les décès et les complications graves. Les méthodes actuelles, comme la microscopie et les tests de diagnostic rapide (TDR), présentent des limitations : la microscopie peut générer jusqu’à 30 % de faux négatifs, tandis que les TDR sont moins sensibles en cas d’infections à faible densité parasitaire.

    Pour améliorer la détection, l’équipe a utilisé le modèle EfficientNet-B2, un réseau neuronal convolutif capable de classifier les images de frottis sanguins. Leur étude, publiée dans Scientific Reports, a impliqué

    • La collecte de 27 558 images de globules rouges, comprenant à parts égales des cellules saines et des cellules infectées par le parasite.
    • Le prétraitement des données,
    • L’entraînement du modèle avec les techniques de régularisation, Dropout et la normalisation par lots (Batch Normalization)
    • Une validation croisée en 10 plis.
    • Une comparaison des performances : les résultats obtenus avec EfficientNet-B2 ont été comparés à ceux d’autres modèles de machine learning préentraînés, tels que CNN, Visual Geometry Group (VGG16), Inception, DenseNet 121, MobileNet et ResNet

    97,57 % de précision et 80 % de temps gagné pour détecter le paludisme

    EfficientNet-B2 a montré une précision de 97,57 %, une sensibilité de 98,62 % et une aire sous la courbe (AUC) de 99,21 %, surpassant d’autres modèles de deep learning. Ce modèle, capable d’analyser des milliers d’images par jour, pourrait réduire le temps d’examen par pathologiste de 80 % et les erreurs de diagnostic, qui peuvent atteindre 20 % avec les méthodes manuelles. Cette solution pourrait être particulièrement bénéfique dans les régions endémiques où l’accès à des microscopes et à des techniciens est limité.

     

  • IA et diagnostic : 98,2 % de taux de précision pour le modèle H-Optimus-O

    1,1 milliard de paramètres, 500 000 lames d’histopathologie

    Moins de cinq mois après sa création, la start-up parisienne Bioptimus a lancé H-Optimus-O, un modèle d’IA generative open-source pour la biologie. Ce modèle répond à cinq défis majeurs du diagnostic in vitro : la complexité croissante des analyses, l’augmentation du volume des cas, la nécessité d’automatisation, la rapidité d’exécution, et la précision des diagnostics.

    L’approche de Bioptimus se distingue par son caractère open-source, favorisant la collaboration entre chercheurs, cliniciens et développeurs. H-Optimus-O, avec 1,1 milliard de paramètres, a été intensivement entraîné sur des centaines de millions d’images provenant de plus de 500 000 lames d’histopathologie issues de 4 000 cliniques et instituts en Europe, Asie et Afrique.

    Un modèle de pathologie computationnelle : 40 blocs, 24 têtes d’attention

    Le modèle repose sur une architecture de :

    • Patches d’entrée de 14×14 pixels,
    • 40 couches de modèle,
    • 24 têtes d’attention, chaque couche effectuant des calculs parallèles.

    H-Optimus-O a été validé sur cinq tâches d’identification tissulaire et six tâches de détection de biomarqueurs et de métastases dans plusieurs types de cancer.

    Diagnostics de pointe, une nouvelle norme en pathologie numérique

    Les résultats et la documentation sont disponibles sur GitHub. Grâce à un entraînement approfondi, H-Optimus-O atteint un taux de précision de 98,2 % sur des tâches de classification, démontrant son efficacité prédictive.

    En tant que modèle open-source, H-Optimus-O ouvre des perspectives cliniques prometteuses, permettant l’intégration de données biologiques plus complexes et ouvrant la voie à la médecine personnalisée et à l’innovation en biotechnologie. Il pourra être utilisé pour accélérer le développement de nouveaux modèles en pathologie numérique.

     

  • Diagnostic des maladies chroniques : une nouvelle architecture IoT-IA

    Le Nouvel Algorithme SH-CHO au Cœur du Nouveau Système

    Une équipe d’universitaires chinois et américains propose un cadre innovant pour les systèmes de santé intelligents, en exploitant l’Internet des objets (IoT) et une approche avancée d’intelligence artificielle (IA) pour améliorer le diagnostic du diabète et des maladies cardiovasculaires.

    Les maladies cardiovasculaires et le diabète sont parmi les pathologies chroniques les plus complexes à diagnostiquer, surtout lorsqu’elles sont associées à d’autres affections. Selon le National Diabetes Statistics Report des CDC, 30,7 % des adultes diabétiques aux États-Unis ne sont pas correctement diagnostiqués en raison de données incomplètes ou mal interprétées. De plus, entre 20 % et 30 % des cas de maladies cardiovasculaires échappent au diagnostic dans les systèmes de soins primaires, particulièrement dans les régions à infrastructure technologique limitée.

    Pour répondre à ce défi, des chercheurs des universités médicales de Guangxi et des postes et télécommunications de Nanjing, en collaboration avec des informaticiens du département d’ingénierie informatique de l’Université de Californie, ont développé une nouvelle architecture IoT-Fog intégrant une IA de pointe. Cette architecture utilise le calcul en périphérie (Fog Computing) pour traiter efficacement de vastes volumes de données médicales.

    Le modèle proposé inclut plusieurs étapes essentielles : la collecte des données, le prétraitement, la classification et le réglage des paramètres vitaux.

    • Les dispositifs médicaux connectés à l’IoT, tels que les capteurs portables, recueillent des données sur divers paramètres vitaux comme la température corporelle, la glycémie et la pression artérielle.
    • Ces données sont transmises via des réseaux sans fil à des systèmes de traitement basés dans le Cloud.
    • Elles sont ensuite utilisées pour entraîner des algorithmes d’IA reposant sur l’algorithme d’optimisation Smart Healthcare-Crow Search Optimization (SH-CSO), qui ajuste les paramètres du modèle, tels que les poids et les biais des réseaux neuronaux, afin d’optimiser la classification des données médicales.

    Performance et Limites

    L’étude publiée dans l’Ain Shams Engineering Journal montre que l’algorithme SH-CSO atteint des taux de précision de 97,26 % pour le diabète et 96,16 % pour les maladies cardiaques, surpassant les méthodes de diagnostic traditionnelles. Ce modèle prometteur offre une précision accrue et une réduction des erreurs diagnostiques pour les systèmes de santé intelligents.

    Cependant, des limitations persistent, notamment des préoccupations concernant la sécurité des données en raison de la vulnérabilité des systèmes IoT souvent exposés à des cyberattaques via des canaux publics non sécurisés. La variabilité des données collectées constitue également un défi. Il est donc crucial de poursuivre les recherches pour améliorer ces algorithmes et étendre leur application à d’autres maladies chroniques.

  • Machine learning et ostéoporose : de nouveaux modèles pour détecter les risques en Chine

    Machine Learning : des modèles prédictifs pour l’ostéoporose

    Une équipe universitaire de quatre hôpitaux chinois a développé des techniques d’apprentissage automatique pour améliorer le dépistage de l’ostéoporose en Chine, où environ 210 millions de personnes ont plus de 65 ans, avec une croissance annuelle de 3,8 %. Cette maladie caractérisée par une diminution de la densité et de la qualité osseuse, est généralement diagnostiquée par des examens de densitométrie osseuse (DXA), mais seulement 15 % de la population à risque y a accès en raison de coûts élevés, d’une disponibilité limitée en zones rurales et d’une sensibilisation insuffisante.

    Coordonnée par le département d’orthopédie de l’hôpital First People’s de Guangzhou, les chercheurs chinois ont entraîné dix algorithmes de machine learning (ML) et leurs modèles prédictifs pour analyser des données cliniques, incluant les antécédents familiaux, afin d’identifier les risques avant les symptômes. Les résultats, publiés dans Scientific Reports, se fondent sur 10 000 dossiers médicaux et ont permis de créer un modèle « empilé » combinant trois algorithmes : Régression Logistique, AdaBoost, et Gradient Boosting.

    Vers un Déploiement Accru en Zones Rurales Chinoises

    Le modèle a permis d’identifier les facteurs les plus importants pour prédire l’ostéoporose, à savoir :

    • L’âge
    • Le sexe
    • les troubles du métabolisme lipidique
    • Le cancer
    • La bronchopneumopathie chronique obstructive (BPCO)

    Les chercheurs visent maintenant à déployer cet outil d’intelligence artificielle pour améliorer le dépistage et la gestion de l’ostéoporose dans les zones rurales et les environnements à faibles ressources en Chine.

  • MGI Tec et SeqOne s’associent pour faire progresser l’analyse génomique

    Analyse génomique intégrée : 3 défis persistants en 2024

    MGI Tech, une entreprise chinoise spécialisées dans les technologies des sciences de la vie et SeqOne, start-up française de Montpelier spécialisée en IA ont formé un partenariat pour développer des solutions d’analyse génomique intégrées de bout en bout pour les laboratoires de génétique humaine et de pathologie à l’échelle mondiale.

    Les solutions d’analyse génomique intégrée représentent une avancée clé en médecine personnalisée, notamment pour l’oncologie et les maladies génétiques rares. Elles permettent l’automatisation complète, du traitement des échantillons à l’analyse bio-informatique. Toutefois, trois limitations majeures persistent en 2024 :

    • Gestion des données : Les volumes massifs de données, estimés à 40 exaoctets d’ici 2025, exigent des infrastructures de calcul plus performantes.
    • Précision génétique : Les scores de risque, souvent développés pour des populations européennes, voient leur précision diminuer de 30 à 40 % pour certaines pathologies cardiométaboliques chez les populations africaines.
    • Coûts élevés : Le séquençage d’un génome coûte environ 1 000 dollars, freinant l’adoption large de ces technologies, particulièrement dans les systèmes de santé sous-financés.

    Un partenariat autour de 2 initiatives technologiques majeures

    Le partenariat technologie entre la firme chinois et la start-up française se concentre sur deux initiatives stratégiques majeures :

    • Validation du test HRD (déficit de recombinaison homologue) : L’objectif est de créer une solution de bout en bout, automatisée et rentable pour le test HRD, en combinant le séquenceur DNBSEQ-G99 de MGI avec la technologie somaHRD de SeqOne. Cette collaboration vise à simplifier le travail des laboratoires de pathologie moléculaire.
    • Intégration bio-informatique : Ce volet repose sur la combinaison de la plateforme d’analyse tertiaire de SeqOne avec l’accélérateur bio-informatique MegaBOLT de MGI, permettant de simplifier l’analyse à haut débit des génomes humains, qu’il s’agisse de panels germinaux, d’exomes ou de génomes entiers.

    Un marché visé estimé à évalué à plus de 20 milliards de dollars

    Les deux partenaires ambitionnent de déployer à l’échelle mondiale leur technologie de pointe en analyse génomique, ciblant les 6 000 laboratoires répartis principalement en Amérique du Nord, en Europe et en Asie de l’Est. Ces laboratoires, qu’ils soient privés ou académiques, jouent un rôle clé dans la recherche génétique, le diagnostic clinique et le développement de nouvelles thérapies. Ce partenariat franco-chinois vise à capturer une part significative du marché mondial des solutions d’analyse génomique intégrée, un secteur évalué à plus de 20 milliards de dollars, selon Fortune Business Insight.

     

  • Inde : un outil d’IA pour diagnostiquer et prédire l’épilepsie (étude)

    Une solution pour 30 % des patients pharmaco-résistants

    Des chercheurs de la Faculté des sciences informatiques et d’ingénierie de l’université intégrale de Lucknow, en Uttar Pradesh, Inde, explorent l’IA pour améliorer la détection précoce des crises épileptiques, visant à réduire leurs impacts néfastes. Cette recherche répond aux besoins des 70 millions de personnes atteintes d’épilepsie mondialement, notamment les 30 % de patients pharmacorésistants nécessitant des interventions chirurgicales.

    Méthodologie : 3 prismes d’analyse

    L’étude, publiée dans l’International Journal of Computer Applications, passe en revue les techniques d’apprentissage automatique (machine learning) appliquées à l’épilepsie, incluant les approches classiques et les méthodes d’apprentissage profond (deep learning). Trois méthodes d’analyse des données EEG ont été comparées pour prédire les crises :

    • la machine à vecteurs de support (SVM) : Sépare les données en deux classes distinctes avec un hyperplan optimal ;
    • la régression logistique multinomiale : Gère la classification multiclasses en étendant la régression logistique ;
    • et l’arbre de décision logistique : Combine flexibilité des arbres de décision et robustesse de la régression logistique, utile pour des relations complexes et non linéaires.

    Résultats et perspectives

    Les techniques de machine learning et de deep learning atteignent des précisions de 90 à 100 % dans la classification des signaux EEG. Ces résultats montrent un potentiel considérable pour améliorer le diagnostic et le pronostic de l’épilepsie.

    Les ensembles de données limités et la sensibilité aux bruits des signaux EEG sont des défis persistants. Les chercheurs recommandent de se concentrer sur :

    • l’amélioration des techniques d’extraction de caractéristiques ;
    • l’optimisation des algorithmes d’apprentissage profond ;
    • et le développement de systèmes de détection en temps réel des crises.

     

     

    * Diagnosis and Prognosis: Literature Review on Prediction of Epilepsy using Machine Learning Techniques

    Alina Ahsan, Sifatullah Siddiqi

    International Journal of Computer Applications. 185, 15 ( Jun 2023), 10-29.

    DOI=10.5120/ijca2023922840

     

  • USA : la FDA approuve le premier outil de diagnostic de la septicémie basé sur l’IA

    Septicémie : 49 M de cas dans le monde, 11 M de décès

    Responsable de 20 % des décès mondiaux chaque année, la septicémietouche 49 millions de personnes et cause 11 millions de décès selon l’Organisation mondiale de la santé (OMS). Cette urgence médicale survient lorsqu’une infection déclenche une réponse immunitaire incontrôlée, entraînant des défaillances organiques. Sa progression rapide et ses symptômes souvent non spécifiques compliquent le diagnostic et retardent la prise en charge.

    Spécialisée en IA appliquée au diagnostic médical, l’entreprise américaine Prenosis a créé un logiciel d’IA classé comme dispositif médical (DM) qui utilise sa biobanque et une base de données de plus de 100 000 échantillons sanguins de 25 000 patients.

    Une combinaison de 22 paramètres et un score de 4 catégories de risque :

    Le logiciel Sepsis Immunoscore analyse jusqu’à 22 paramètres, y compris les données démographiques, les signes vitaux, les tests de laboratoire et les biomarqueurs spécifiques à la septicémie. Le logiciel génère, en moins de 24 heures, un score de risque de septicémie, classant les patients en quatre catégories : faible, moyen, élevé, et très élevé. Ce score est lié au risque de détérioration du patient, mesuré par :

    • durée de séjour à l’hôpital ;
    • mortalité hospitalière ;
    • transfert en unité de soins intensifs dans les 24 heures ;
    • utilisation de vasopresseurs dans les 24 heures ;
    • besoin de ventilation mécanique dans les 24 heures.

    Un accord de distribution avec Roche Diagnostics :

    Avec son immunoscore qui s’intègre aux dossiers électroniques des hôpitaux, facilitant son accès pour les cliniciens, Prenosis a annoncé le lancement commercial de cet outil non invasif grâce à un accord de distribution avec Roche Diagnostics.

    Selon Research Nester PL, le marché mondial du diagnostic de la septicémie est estimé à 2 milliards de dollars.