Vers une biologie médicale numérique et intelligente
Bien que l’IA offre des perspectives prometteuses pour améliorer la discipline de la biologie médicale, des défis importants subsistent en matière d’accès aux données, de ressources techniques et de compétences. Selon cette étude, publiée en octobre 2024 dans le journal Clinical Chemistry and Laboratory Medicine (CCLM), l’intégration de l’IA dans ce domaine nécessitera une mise à jour des infrastructures existantes et une formation continue des professionnels de la santé.
Avec leurs processus minutieusement définis et documentés, les laboratoires semblent être un terrain idéal pour le déploiement de l’IA. Les données structurées, abondantes dans ces environnements, sont essentielles à l’entrainement des modèles d’apprentissage automatique, ou machine learning (ML). Toutefois, contrairement à la reconnaissance d’images, où l’IA a déjà montré des résultats impressionnants, l’interprétation des résultats de laboratoire repose aussi sur des informations cliniques supplémentaires relatives du patient, telles que :
- l’indication clinique ;
- la médication ;
- les antécédents médicaux ;
- la prise en charge entreprise ;
- et les examens physiques.
Autant de facteurs qui compliquent l’intégration de l’IA dans le processus de diagnostic de laboratoire, car ces informations ne sont pas toujours facilement accessibles, comme l’indiquent plusieurs études, dont celle réalisée par le groupe de travail sur l’IA (WG-AI) de la Fédération européenne de biologie médicale (EFLM).
Résultats de l’enquête
Les auteurs de l’étude explore ainsi les défis, les opportunités et l’état actuel de l’adoption de l’IA dans les laboratoires de biologie médicale à travers l’Europe, en mettant en lumière les obstacles liés à l’accès aux données, aux infrastructures techniques et à l’expertise, tout en soulignant un fort intérêt des professionnels pour l’apprentissage et l’intégration de l’IA. Ils rappellent qu’en réponse aux besoins et lacunes identifiés dans l’enquête, l’EFLM travaille à l’élaboration de ressources éducatives destinées à soutenir l’adoption de l’IA dans les laboratoires de biologie médicale européens. Son ambition : accompagner leur transition vers une biologie médicale plus numérique et intelligente.
Elle a été réalisée sous forme de questionnaire en ligne, auquel ont répondu 204 participants issus de laboratoires situés dans divers pays européens, avec une surreprésentation notable de la Turquie (23,5 % des répondants), mais aussi des contributions d’autres pays tels que l’Allemagne, la France, l’Espagne et l’Italie – bien que le nombre de réponses par pays soit limité. Cela a conduit les auteurs à éviter les analyses spécifiques par pays pour garantir une interprétation équilibrée à l’échelle européenne. Le profil des participants était diversifié, incluant des laboratoires universitaires, privés et hospitaliers, réalisant entre 1 million et 10 millions de tests annuels.
1) Des défis liés à l’accès et à la gestion des données :
Les données de qualité sont fondamentales pour l’apprentissage des modèles d’IA. Le principe FAIR (Findable, Accessible, Interoperable, and Reusable) guide cette approche, et l’accessibilité est un élément crucial de ce cadre.
Bien que de nombreux laboratoires aient accès aux données de leurs propres systèmes d’information (SIL), leur interprétation exige souvent l’inclusion d’informations cliniques supplémentaires. Or, ces dernières ne sont généralement pas fournies automatiquement, mais doivent être extraites des dossiers patients informatisés (DPI), ce qui présente des obstacles majeurs à un déploiement efficace de l’IA : des restrictions d’accès et des délais administratifs importants pour obtenir les autorisations nécessaires.
Cette enquête menée auprès des laboratoires de biologie médicale européens révèle qu’environ la moitié des répondants n’ont pas accès à ces données cliniques externes, ou nécessitent une autorisation formelle.

2) L’enjeu des ressources techniques et des infrastructures :
Si les laboratoires ne sont généralement pas en mesure de développer ou d’affiner des modèles de ML à grande échelle en interne, l’accès à des services cloud et à des modèles préexistants représente une solution pragmatique. Pour ce faire et afin de mettre en œuvre de l’IA dans le flux de travail clinique, une infrastructure numérique robuste est, cependant, essentielle :
- une connexion Internet fiable ;
- un accès aux services cloud ;
- et des équipements de calcul adaptés, comme des ordinateurs dotés de GPU (unités de traitement graphique) ou de TPU (unités de traitement tensoriel).
Les résultats de l’enquête révèlent que près d’un quart des laboratoires européens ne disposent pas de réseau Wi-Fi ou ont une connexion Internet lente ou instable. De plus, un nombre significatif d’entre eux ne sont pas autorisés à utiliser des logiciels tiers ou ne peuvent y accéder que sous des conditions strictes, ce qui empêche l’adoption de solutions cloud pour l’analyse des données.
3) … Mais aussi des compétences et de la formation :
Selon cette enquête européenne, seulement 10,8 % des participants indiquent avoir une bonne connaissance de l’IA au sein de leur équipe, et près de la moitié des laboratoires n’ont pas de compétences en informatique ou en sciences des données. Cependant, une forte demande de formation est présente : 89,7 % des répondants exprimant un intérêt pour des formations sur l’IA.
L’absence de spécialistes en IA dans les laboratoires européens, ainsi que l’insuffisance des infrastructures et des données, freine l’application concrète de l’IA en biologie médicale. Néanmoins, il existe un intérêt croissant, notamment parmi les professionnels de santé, pour combler cette lacune par des formations adaptées et des collaborations interdisciplinaires. L’étude montre, par ailleurs, un fort intérêt pour l’intégration de l’IA dans les formations universitaires, avec 34,7 % des participants ayant des responsabilités pédagogiques incluant des sujets sur l’IA.

Quelles perspectives d’avenir ?
Les applications de l’IA en biologie médicale sont nombreuses, en particulier dans des domaines tels que :
- la génomique ;
- la transcriptomique ;
- la protéomique ;
- ainsi que dans des tâches de reconnaissance d’images telles que l’hématologie et la microbiologie.
Les avancées récentes montrent également que l’IA peut être utilisée pour prédire les résultats de laboratoire à partir d’autres données cliniques disponibles, ouvrant ainsi de nouveaux horizons pour améliorer l’efficacité et la précision des diagnostics.
Cependant, le manque de processus adaptés pour l’acquisition de données, les restrictions d’accès, ainsi que les infrastructures techniques insuffisantes représentent des obstacles majeurs à l’adoption de l’IA dans les laboratoires. Ce qui n’empêche pas l’existence d’une forte volonté d’apprendre et de former les équipes à l’IA pour réussir l’intégration future de ces technologies dans les pratiques quotidiennes.



