Technologies de l'Intelligence Artificielle pour la santé

Illustrations de l’offre technologique des Carnot en santé et l'action Carnot filières FINDMED : Intelligence Artificielle (IA) appliquée au diagnostic médical, à l'imagerie médicale, aux neurosciences, au machine learning, au bio-monitoring  :

Diagnostic médical

Becape : Banc d’Évaluation de la Conduite Automobile et de la Préconisation des Équipements

Porteurs du projet

Carnot Voir et Entendre (Streetlab) & société Ceremh
Financement par la fondation Maif

Utilité et utilisateurs

Cet outil est mis à la disposition des ergothérapeutes afin de les aider à évaluer les capacités fonctionnelles, sensorielles, motrices ou cognitives de leurs patients et ainsi à déterminer le niveau d’assistance requis pour la reprise d’une conduite sûre.

Quelles originalités / avancées scientifiques ou technologiques ?

Ce banc intelligent teste les forces et les faiblesses des patients et formule des préconisations sur l’équipement adapté ainsi que sur l’aide à la conduite appropriée.

LabPad®, mon labo dans la poche : le système Point-of-Care du futur

Porteurs du projet

Carnot Leti & société Avalun

Utilité et utilisateurs

Le Laboratoire de Poche LabPad permet de réaliser une mesure biologique à partir d’une petite goutte de sang capillaire au doigt du patient, simplement en choisissant le bon consommable à usage unique. Objet connecté, le LabPad permet de coordonner naturellement autour des patients l’ensemble des professionnels de la chaine du soin, en présentiel ou connecté à distance.

Quelles originalités / avancées scientifiques ou technologiques ?

Le LabPad s’appuie sur une technologie brevetée issue du Carnot Leti permettant la réalisation de mesures biologiques dans les champs de la coagulation, des biomarkers ou de la biochimie, quand la concurrence ne permet généralement qu’une catégorie de mesures.

L’apport de l’Intelligence Artificielle

Système optique intégré reposant sur du traitement des images et signal pour la réalisation des mesures biologiques, le lecteur unique LabPad permet la génération en phase clinique d’une grande quantité de données brutes pour l’analyse desquelles le Machine Learning est tout à fait pertinent.

Système d’imagerie sans lentille 3D pour la vidéo microscopique spatiale & temporelle, grand-champ

Porteurs du projet

Carnot Leti & société Iprasense

Utilité et utilisateurs

L’imagerie holographique (lens-free / microscopie défocalisée) permet d’imager simultanément une grande quantité d’objets biologiques en une seule acquisition sur un champ d’observation large et ceci sans besoin de focalisation précise. La focalisation est en effet faite numériquement post-acquisition grâce à un algorithme de reconstruction. Les travaux menés cette année au laboratoire pour divers partenaires industriels ont permis de démontrer la puissance de l’Intelligence Artificielle et plus particulièrement des réseaux de neurones pour améliorer les performances des différents algorithmes de reconstruction, détection, segmentation ainsi que les performances de classifications.

Quelles originalités / avancées scientifiques ou technologiques ?

Le démonstrateur présenté est un système d’imagerie sans lentille, basé sur l’imagerie de contraste de phase, dédié à la microscopie grand champ (5mm3). Cette technique pionnière de vidéo-microscopie spatiale et temporelle, fonctionne directement dans l’incubateur et permet une imagerie sans marquage d’échantillons biologiques en 3D.

L’apport de l’Intelligence Artificielle

L’introduction de réseaux de neurones profonds pour la reconstruction holographique 3D permet de raccourcir le temps de cette reconstruction et d’améliorer la qualité de l’image reconstruite.

Simuler la progression de la maladie d’Alzheimer

Porteurs du projet

ARAMIS, équipe conjointe des Carnot Inria & ICM

Utilité et utilisateurs

Le technologie développée permet de simuler un cerveau développant la maladie d’Alzheimer afin d’en comprendre la progression et d’identifier de manière personnalisée des facteurs de risque de déclin cognitif rapide. L’outil peut être utilisé par les équipes médicales pour recruter des patients dans des essais cliniques et évaluer l’efficacité des traitements au cours de ces essais.

Quelles originalités / avancées scientifiques ou technologiques ?

Il s’agit du premier prototype permettant de simuler l’effet de la maladie sur le cerveau et les fonctions cognitives dans les quatre prochaines années. À ce jour, les approches alternatives prédisent un risque de développer la maladie à un horizon temporel fixé mais ne permettent pas de simuler la trajectoire de progression et limitent ainsi son appropriation par le corps médical.

L’apport de l’Intelligence Artificielle

Le simulateur personnalisé a été développé grâce à l’analyse de bases de données multimodales (imagerie + clinique) longitudinales. Les algorithmes d’apprentissage utilisés sont issus de la recherche de l’équipe Aramis conjointe entre les Carnot ICM et Inria.

R2D2, Rapid and Robust Digital Diagnostic

Porteurs du projet

Carnot LSI

Utilité et utilisateurs

Il s’agit d’une preuve de concept. L’objectif est d’offrir en SaaS (Logiciel en tant que Service, une application disponible sur internet) aux utilisateurs un modèle de Deep Learning lié à une pathologie spécifique afin de permettre un diagnostic sur un ensemble d’images téléchargées.

Quelles originalités / avancées scientifiques ou technologiques ?

Les avancées permettent :

  • de fournir à l’utilisateur final un ensemble de modèles prêt à l’emploi, accessible en mode SaaS, pour les diagnostics de pathologies en imagerie médicale ;
  • de dimensionner pour la plateforme d’accueil les ressources informatiques optimales (compromis optimal entre le coût en ressources la consommation d’énergie, le temps d’entrainement distribué et la précision du modèle).
L’apport de l’Intelligence Artificielle

Accélérer, faciliter, améliorer la détection de pathologie.

Analyse intelligente de données médicales : représentation et exploration de Cohortes

Porteurs du projet

Carnot LSI

Utilité et utilisateurs

L’analyse de cohortes médicales étudie le comportement collectif des patients, en fournissant des résultats sur l’évolution de leur condition de santé et sur leur réaction aux traitements. L’analyse des cohortes est utile pour des applications variées, par exemple le suivi de l’efficacité des traitements, la satisfaction des patients et le coût des soins de santé.

Quelles originalités / avancées scientifiques ou technologiques ?

Dans ce travail, nous développons une approche “data-driven” pour la représentation et l’exploration des cohortes médicales. La représentation des cohortes agrège les trajectoires de santé en une seule séquence de maladies et traitements menant à un état de santé, par exemple la mort.

L’exploration des cohortes permet aux experts médicaux de naviguer dans l’espace des cohortes et de comparer leurs représentations pour suivre comment leur santé évolue. Est également présentée la facilité d’utilisation par des scenarios réels dans le cas par exemple l’observation de la propension à l’obésité dans une cohorte qui souffre de problèmes respiratoires.

Imagerie médicale

Exemples de modélisation, segmentation, reconnaissance et recalage de structures anatomiques à partir d’images médicales

Porteur du projet

Carnot Télécom & Société numérique

Utilité et utilisateurs

Il s’agit d’une illustration de quelques-uns des travaux en imagerie médicale du Carnot Télécom & Société numérique : segmentation et reconnaissance de structures anatomiques et de faisceaux (fibres de matière blanche ou nerfs) dans des images IRM 3D, construction de modèles numériques individuels de patients pour l’aide à la chirurgie, recalage pour la construction d’atlas...

Quelles originalités / avancées scientifiques ou technologiques ?

L’originalité de cette technologie est à la fois méthodologique dans les modèles et algorithmes développés et dans les applications (modélisation floue de relations spatiales, modèles géométriques multi-résolution, appariement difféomorphique...).

L’apport de l’Intelligence Artificielle

L’Intelligence Artificielle se trouve dans la modélisation des connaissances, en particulier anatomiques, et l’intégration dans des méthodes et algorithmes.

Qualification de modélisation de pathologies pulmonaires

Porteur du projet

Carnot Télécom & Société numérique

Utilité et utilisateurs

Appliqué en imagerie TDM pulmonaire (Tomodensitométrie), les outils présentés permettent d’extraire différents marqueurs de présence / sévérité de pathologie pour un suivi quantitatif. Ce démonstrateur interactif illustre l’étape de segmentation des voies respiratoires et la quantification des paramètres bronchiques.

Quelles originalités / avancées scientifiques ou technologiques ?

Combinaison des approches de vision par ordinateur et Intelligence Artificielle pour des biomarqueurs images nouveaux pouvant être exploités dans l’étude de l’asthme, BPCO et les pneumopathies interstitielles idiopathiques.

L’apport de l’Intelligence Artificielle

Analyse et classification des textures pulmonaires conjointement à l’extraction de biomarqueurs associés à d’autres structures pulmonaires.

Neurosciences

Application smartphone pour l’autonomie du patien atteint de sclérose en plaque

Porteurs du projet

Carnot ICM & Start-up Ad-Scientiam

Utilité et utilisateurs

MSCopilot® est une application pour l’évaluation digitale de la sclérose en plaque (SEP). Cette application, dispositif médical logiciel marqué CE, permet le suivi des patients au quotidien, en vie réelle.

L’apport de l’Intelligence Artificielle

Les tests ont été développés pour évaluer différentes dimensions de la maladie comme la vision à bas contraste, la cognition, la dextérité et le périmètre de marche. Ces informations jusqu’ici difficilement recueillies, seront à la disposition du médecin pendant la consultation et lui permettront, à terme, de mieux apprécier l’évolution de la maladie et d’adapter la prise en charge.

Ad Scientiam a été sélectionnée pour intégrer le programme Microsoft Ai Factory.

Neuronaute, le textile connecté pour le diagnostic et le suivi des maladies neurologiques

Porteurs du projet

Carnot ICM & Start-up Bioserenity

Utilité et utilisateurs

Cette technologie permet des enregistrements de longue durée sans augmenter les coûts d’hospitalisation et les contraintes pour le patient. Elle réduit les erreurs de diagnostic en raison du manque de données, de données de mauvaise qualité ou d’une mauvaise interprétation. Elle aide aussi chaque patient à recevoir le bon traitement le plus vite possible.

L’apport de l’Intelligence Artificielle

Certains modèles mathématiques traditionnels n’offrent pas la précision et sensibilité requise pour des enregistrements multimodaux complexes. Grâce au laboratoire commun à Bioserenity et au Carnot ICM, un système utilisant l’Intelligence Artificielle est en cours de finalisation et aidera les médecins à interpréter les signaux des patients.

Serious game thérapeutique TOAP RUN, dispositif médical numérique pour la prise en charge des patients atteints de Parkinson

Porteurs du projet 

Carnot ICM & sociétés GENIOUS Healthcare / MindMaze

Utilité et utilisateurs

Dans le cadre du laboratoire commun BRAIN e-NOVATION (lauréat LabCom ANR 2013) entre GENIOUS et le Carnot ICM, un jeu vidéo thérapeutique, TOAP RUN, a été mis au point pour la rééducation des troubles de la marche et de l’équilibre chez les patients souffrant de la maladie de Parkinson (Projet REHAB e-NOVATION, lauréat du PSIM – CMI 2030).

L’apport de l’Intelligence Artificielle

L’acceptabilité et la faisabilité du jeu à base d’Intelligence Artificielle ont été évaluées en institut avec une étude clinique pilote menée chez dix patients sévèrement touchés (Nuic et al, 2018). Les résultats démontrent, d’une part, la faisabilité des séances de rééducation par le jeu pour ces patients avec une bonne acceptabilité, et indiquent, d’autre part, que ce type d’approche permet de réduire significativement les troubles de la marche avec une disparition des chutes chez 7 sur 10 patients, ainsi qu’une amélioration objective des capacités locomotrices durant l’entraînement, avec un maintien partiel des effets bénéfiques trois mois après l’arrêt des séances.

Avancées technologiques

Une deuxième étude clinique franco-hollandaise visant à démontrer l’efficacité de la rééducation par le jeu TOAP RUN est en cours chez 50 patients (lauréat Programme Européen EUROSTARS).
Aujourd’hui, le jeu TOAP RUN est un dispositif médical numérique accessible sur la plateforme Curapy.com développée par GENIOUS.

Étude du sommeil : comment apprendre à une machine à lire dans les signaux neuronaux ?

Porteurs du projet

Carnot Inria & société Dreem

Utilité et utilisateurs

Il s’agit ici de faire progresser les neurosciences et la neurologie dans l’étude des troubles du sommeil par le développement de biomarqueurs à partir de signaux électriques du cerveau. Le logiciel MNE-Python (mne-tools.github.io) permet l’analyse de signaux cérébraux (EEG) afin de déployer notamment des modèles d’apprentissage statistique (Machine Learning) pour l’étude clinique du sommeil.

Quelles originalités / avancées scientifiques ou technologiques ?

L’apprentissage statistique ou Machine Learning révolutionne certaines applications cliniques en neurosciences, notamment pour l’analyse des troubles du sommeil. Les modèles montrés permettent l’annotation automatique des signaux avec une
précision à ce jour inégalées.

L’apport de l’Intelligence Artificielle

Ces modèles développés en partenariat avec l’entreprise dreem.com/fr utilisent des bases d’EEG (électroencéphalographie) de plusieurs centaines d’heures et des architectures de Deep Learning dédiées à ces applications.

Adaptation des interfaces homme-machine aux troubles cognitifs

Porteur de projet

Carnot M.I.N.E.S

Utilité et utilisateurs

Le Carnot M.I.N.E.S a développé, implémenté et validé AUHWM (An Unscented Hound for Working Memory), un cadre formel pour la conception d'interfaces homme-machine (IHM) qui permet d'adapter automatiquement l'interaction d'un système avec un utilisateur dans le cas de l'exécution d'une tâche pour laquelle la capacité de la mémoire de travail de l'utilisateur joue un rôle essentiel. Cette approche peut être utile, par exemple, pour les patients Alzheimer ou souffrant d'autres types de déficience cognitive, mais aussi dans le domaine de l'éducation (Intelligent Tutoring Systems), ou encore pour le pilotage d'avions où la performance de l'opérateur est clé.

Quelles originalités / avancées scientifiques ou technologiques ?

AUHWM est un système pour modéliser la mémoire du travail développé préalablement grâce à :

  • une implémentation déterministe du processus stochastique utilisé pour modéliser la mémoire de travail,
  • une évaluation expérimentale en utilisant les données de 18 joueurs du jeu Match2s, développé préalablement,
  • un cadre général pour l'adaptation automatique des IHM en fonction des performances mesurées et attendues d'un utilisateur.
L’apport de l’Intelligence Artificielle

Nous nous sommes fondés sur une technique de Gradient Boosting pour simuler efficacement le modèle probabiliste, à base de processus de décision markovien, utilisé pour modéliser la mémoire de travail.
Nous avons également mis en œuvre une technique de traitement du signal (filtre de Kalman) peu utilisée jusqu'à présent en sciences cognitives.

Machine Learning

Premier datalake thématique dédié au lymphome, destiné à la recherche académique et partenariale

Porteur de projet

Carnot Calym

Utilité et utilisateurs

Lancé à l’automne 2019, ce programme structurant concentrera les données issues de la recherche clinique, translationnelle et préclinique menées par le Carnot CALYM (LYSA, LYSARC, 13 équipes académiques de recherche) depuis plus de 20 ans.

Quelles originalités / avancées scientifiques ou technologiques ?

L’enjeu de ce programme structurant est de décloisonner les spécialités médicales, techniques et scientifiques et d’ouvrir de nouvelles voies et modèles de recherche. Pour répondre aux questions complexes posées par la caractérisation du lymphome et son traitement, l’avenir se construira avec la valorisation et l’analyse optimisées des données issues de la recherche biomédicale. D’origine et de nature multiples et complexes, celles-ci combinent données cliniques, d’imagerie médicale, anatomopathologiques, biologiques, génétiques, etc...

L’apport de l’Intelligence Artificielle

Le programme d’Intelligence Artificielle du Carnot CALYM se développe en deux phases :

  • une première phase de preuve de concept dédiée à la construction du Lymphoma Data Hub, datalake thématique, concentrant l’ensemble des données disponibles au sein de notre consortium, et à la réalisation de projets pilotes de recherche impliquant un environnement partenarial multiple et complémentaire,
  • une phase de recherche académique et partenariale prioritairement destinée à améliorer la compréhension des lymphomes, leur diagnostic et leur traitement.

Intelligence Artificielle pour les sciences de la vie et la médecine de précision

Porteur de projet

Carnot M.I.N.E.S

Utilité et utilisateurs

Depuis la dernière décennie, les approches dites « à grande échelle », telles que les techniques de séquençage, ont révolutionné la biologie, qui est devenue, dans une certaine mesure, de la science de données. De nombreuses questions de la biologie moderne et de la médecine peuvent être formulées comme des problèmes d’analyse prédictive dans lesquels nous souhaitons prédire des variables de sortie à partir des données collectées.
Le Carnot M.I.N.E.S développe des méthodes d’apprentissage automatique (machine Learning) et de vision par ordinateur pour répondre à des questions en biologie et médecine à partir de grandes collections de données. La spécificité de ces données biologiques est son caractère « haute dimension » (avec des millions de descripteurs) et son hétérogénéité (pour un même échantillon, plusieurs types de données peuvent être mesurés). Il travaille sur des applications qui vont de la recherche fondamentale en biologie à la médecine de précision qui permet d’adapter les traitements médicaux en fonction du patient.

Quelles originalités / avancées scientifiques ou technologiques ?

Dans le champ de la biologie et de la médecine, ont été développées de nombreuses techniques depuis ces dernières années comme le séquençage nouvelle génération (Next Generation Sequencing, NGS) ou le criblage à haut contenu (High Content Screening, HCS). Ces nouvelles approches technologiques s’accompagnent d’une collecte massive de données issues du secteur de la santé (enregistrement du patient, histopathologie). Ainsi, cette évolution aboutit à des bases de données extrêmement grandes, non seulement en nombre de variables mesurées mais aussi en nombre d’échantillons.  De plus, la plupart de ces jeux de données sont très hétérogènes (les données pouvant être issues de diverses sources).

L’apport de l’Intelligence Artificielle

L’Intelligence Artificielle et l’apprentissage automatique sont des technologies incontournables pour analyser ces ensembles de données volumineux et hétérogènes : ils sont conçus pour tirer des conclusions à partir des données annotées à très haute dimension et proposer un cadre d’intégration de données provenant de diverses sources. Les méthodes d’apprentissage automatique combinées à l’analyse statistique traditionnelle sont des approches de choix pour la médecine de précision.

DIM-IA, un projet de R&D pour alléger les tâches administratives des médecins hospitaliers grâce à la codification automatique

Porteurs du projet

Carnot TN@UPSaclay & Groupe DocteGestio

Utilité et utilisateurs

L’objectif de DIM-IA est de simplifier le traitement administratif des dossiers des patients pour permettre aux médecins hospitaliers de se concentrer sur leurs activités à plus forte valeur ajoutée. Premier cas d’usage exploré : assister les médecins en automatisant la codification des séjours hospitaliers.
Avec 7,7 millions d’hospitalisations par an en France, et en moyenne trois actes par patient, le travail administratif de codification – aujourd’hui accompli par les médecins responsables des Départements d’Information Médicale (DIM) – est colossal. Cette classification est en effet indispensable à la mise à jour du dossier informatique des patients en vue de leur remboursement par l’Assurance Maladie.  Suite à ce projet, la CNAM a fait part de son intérêt pour les applications santé de l’Intelligence Artificielle, notamment dans le cadre de la mission de Dossier Médical Partagé (DMP).

Quelles originalités / avancées scientifiques ou technologiques ?

Ce projet met en lumière la performance des algorithmes d’analyse sémantique sur le traitement des documents en langage naturel, et leur adaptation au lexique médical. Ces technologies permettent d’offrir un outil rapide et efficace aux professionnels médicaux.
L’originalité de cette approche réside dans la valorisation des sources des données, particulièrement hétérogènes : texte libre, non-structuré, difficilement exploitable. L’analyse sémantique permet de faciliter l’accès au contenu du dossier médical, d’en extraire
les données ciblées, et d’en faire l’usage souhaité : codification, moteur de recherche sémantique, chat bot, etc.

L’apport de l’Intelligence Artificielle

L’automatisation des tâches de lecture et d’extraction de l’information n’est possible que grâce à l’Intelligence Artificielle. Elle permet une classification selon le standard du métier, en l’occurrence la codification internationale CIM-10, avec un gain de temps très significatif pour les personnels hospitaliers. Elle entraine de fait une diminution des coûts liés à cette tâche et au contrôle, indispensable dans une démarche de rationalisation. Elle apporte par ailleurs une réponse à une problématique centrale du système médical puisqu’elle permet d’accélérer la chaîne de facturation des actes médicaux tout en la sécurisant.

Dr Warehouse, le « Google » de l’information médicale pour les professionnels !

Porteurs du projet

Carnot Imagine & société Codoc

Utilité et utilisateurs

Dr Warehouse permet le recrutement de cohortes de patients pour des études cliniques, l’exploration de données et la recherche translationnelle. À l’hôpital Necker, Dr Warehouse rassemble 670 000 dossiers patients avec cinq millions de documents et est utilisé par 290 chercheurs. La solution a également été adoptée à l’hôpital Foch, l’hôpital Européen Georges Pompidou et au GHU Paris Psychiatrie.

Quelles originalités / avancées scientifiques ou technologiques ?

Dr Warehouse propose au personnel de l’hôpital une interface en langage naturel qui lui permet ainsi d’accéder à l’information médicale en un clic, avec une expérience “à la Google”. Dr Warehouse permet de rassembler les données dispersées et hétérogènes des systèmes
d’information hospitaliers dans un même modèle de données.

L’apport de l’Intelligence Artificielle

Un double apport :

  • le traitement du langage est réalisé sur les données lors de leur intégration dans Dr Warehouse,
  • les données exposées par Dr Warehouse pour nourrir les algorithmes d’intelligence artificielle sont plus pertinentes (Garcelon et al. 2017 & 2018).

Faciliter la construction de modèles pharmacométriques pour optimiser traitement et protocole clinique

Porteurs du projet

Carnot Inria & société Lixoft

Utilité et utilisateurs

À partir de données d’essais cliniques (données pharmacocinétiques / pharmacodynamiques), l’outil permet de construire rapidement le modèle pharmacométrique qui décrit au mieux ces données puis de simuler des essais cliniques afin d’optimiser un traitement ou d’optimiser le protocole d’un nouvel essai.
Dans le cas de données pharmacocinétiques, l’outil permet en particulier de déterminer automatiquement le type d’absorption, de distribution (nombres de compartiments) et le type d’élimination du médicament. Il permet également de déterminer si la variabilité inter-individuelle de certains paramètres pharmacocinétiques (volume de distribution, clairance…) peut être en partie expliquée par des informations individuelles phénotypiques (poids, âge, sexe…) ou génétiques.

Quelles originalités / avancées scientifiques ou technologiques ?

La construction d’un modèle pharmacométrique est un processus complexe qui nécessite des méthodes statistiques avancées, l’utilisation d’outils logiciels sophistiqués, mais surtout une expertise confirmée, du temps et de la patience. L’algorithme SAMBA (Stochastic Algorithm for Model Building Algorithm) permet de trouver automatiquement et très rapidement le modèle recherché.

L’apport de l’Intelligence Artificielle

Habituellement, le modélisateur procède de façon itérative : à chaque étape, il ajuste un modèle à ses données, puis analyse les résultats obtenus pour tenter d’améliorer le modèle et donc en proposer un nouveau. Le rôle de l’Intelligence Artificielle consiste ici à automatiser et optimiser ce processus.

Détectez les mélanomes en temps réel avec votre smartphone

Porteurs du projet

Carnot STAR & société ANAPIX Medical Santé

Utilité et utilisateurs

Aujourd’hui les dermatologues diagnostiquent un mélanome à la suite d’un examen visuel de la peau en s’aidant souvent d’un dermoscope (loupe munie d’un éclairage annulaire). La reconnaissance des signes de malignité est un exercice difficile qui génère de nombreux faux-positifs (opérations jugées inutiles a posteriori), compte tenu des risques associés à la non-détection de mélanome : en effet, le mélanome est d’autant plus grave pour la survie du patient que sa détection est tardive. Le dispositif développé par ANAPIX Medical Santé permet, via l’Intelligence Artificielle et à partir de photographies dermoscopiques, le diagnostic du mélanome, en particulier, pour les cas difficiles à analyser.

Quelles originalités / avancées scientifiques ou technologiques ?

Le système présenté consiste en une implémentation pratique et fonctionnelle de l’intégration d’un outil d’Intelligence Artificielle dans un processus de diagnostic, de l’acquisition de la photographie de la lésion à la proposition de diagnostic, par l’algorithme, en routine clinique. Les résultats de cette étude serviront de support à un projet beaucoup plus original sur le plan méthodologique basé sur un algorithme de ”supervised clustering”, qui présentera au dermatologue, en temps réel lors de la consultation, des cas semblables au cas examiné et pour lesquels le diagnostic est connu.

L’apport de l’Intelligence Artificielle

Entraîné plus spécifiquement sur les cas douteux, l’algorithme possède une expertise complémentaire à celle du dermatologue. Il permet de réduire significativement le nombre d’opérations inutiles tout en coopérant à la détection précoce des mélanomes.

Outils supervisés pour la segmentation d’IRM des muscles individuels de la cuisse

Porteurs du projet

Carnot STAR

Utilité et utilisateurs

Procédé et dispositif d’images qui permet de segmenter de larges bases de données multimodales IRM pour faciliter l’extraction et l’analyse de bio-marqueurs dans le cadre de pathologies neuro-musculaires, à l’échelle du muscle individuel.

Quelles originalités / avancées scientifiques ou technologiques ?

L’originalité de l’outil se situe dans une approche supervisée (interactive) qui permet de segmenter de manière précise et robuste des images IRM de sujets sains et de sujets pathologiques, en vue de construire de larges bases de données d’images nécessaires au bon fonctionnement des algorithmes d’apprentissage profond.

L’apport de l’Intelligence Artificielle

Un module de segmentation des muscles individuels basé sur de l’apprentissage profond par une approche CNN.

Bio-monitoring

SmartCheck, une solution de détection de la fragilité

Porteurs du projet

Carnot Cognition & Engie Ineo

Utilité et utilisateurs

Cette solution permet d’évaluer la robustesse des individus grâce des questionnaires et à des tests de l’équilibre, de la marche et de la force. Elle contribue à l’évaluation de leur fragilité dans le cadre d’une aide au diagnostic. Cette technologie est applicable dans de nombreux cas d’usage – dans les villes et territoires (CNAV, CCAS, Départements) pour éviter la dépendance et l’évaluer ainsi que les besoins en termes de prévention et de services à la personne ; également dans les hôpitaux pour la sortie d’hospitalisation (neurologie, rhumatologie, orthopédie, gérontologie…), pour évaluer les progrès de rééducation, mais aussi en médecine du travail pour évaluer la pénibilité et les risques de maladies professionnelles (troubles musculo-squelettiques, vieillissement prématuré).

Quelles originalités / avancées scientifiques ou technologiques ?

Cette innovation est peu chère, facile d’utilisation ; elle permet la démédicalisation de la détection de la fragilité ; elle objective des éléments cliniques et permet un suivi longitudinal et inter-individuel.

L’apport de l’Intelligence Artificielle

Les algorithmes développés par Cognac-G (Carnot Cognition) permettent d’objectiver des éléments cliniques pour aider un professionnel de santé à évaluer la fragilité d’un individu.

E-Broiler Track, la méthode intelligente qui évalue le bien-être des volailles

Porteur du projet

Carnot France Futur Élevage / ITAVI
Projet CasDar E-Broiler Tack (INRA, Idele, ITAVI)

Utilité et utilisateurs

En lien avec les attentes toujours plus élevées des consommateurs et afin de leur garantir un processus de production respectueux, ITAVI (Carnot France Futur Élevage) a développé la méthode EBENE, un outil au service de l’éleveur pour l’informer des situations anormales afin de les corriger. L’automatisation de la méthode par des mesures automatisées, dynamiques et peu onéreuses permettra de faciliter le suivi des animaux.

Quelles originalités / avancées scientifiques ou technologiques ?

Méthode originale car, en plus d’être peu onéreuse, elle permet de croiser les données individuelles des volailles à partir d’images et de mesures acoustiques et d’en dégager des conclusions pour améliorer la production en temps réel.

L’apport de l’Intelligence Artificielle

L’Intelligence Artificielle trie les données individualisées (mise au point d’un algorithme de tracking individuel) et est ensuite capable de reconnaître et d’alerter l’éleveur sur les situations anormales.

Morpho 3D, le scan 3D qui révèle l’état de santé des bovins

Porteurs du projet

Carnot France Futur Élevage / Idele
Projet CasDar Morpho 3D (Idele, INRA, Agrocampus Ouest, 3D Ouest)

Utilité et utilisateurs

Ce portail est un scanner qui permet de réaliser un phénotypage morphologique des vaches. En capturant l’image 3D de chaque animal, les éleveurs pourront interpréter en temps réel leur état de santé et leur performance de reproduction. Avancée majeure pour la filière qui, grâce à Morpho 3D, pourra bénéficier de multiples applications : détection de troubles sanitaires, précocité de la mise à la reproduction, étude de l’efficacité alimentaire, adaptabilité aux conditions climatiques…

Quelles originalités / avancées scientifiques ou technologiques ?

Les récentes avancées scientifiques en imagerie 3D ont permis de développer cette méthode inédite capable de scanner un bovin en entier et de réaliser des mesures rapides et précises utiles pour les éleveurs.

L’apport de l’Intelligence Artificielle

Les images enregistrées sont analysées par un algorithme qui permettra d’évaluer précisément et en fonction de plusieurs critères (poids, muscles, capacité d’ingestion, état des réserves corporelles, etc.) l’état corporel de chaque animal.

Intelligence artificielle : pour un élevage sur mesure

Porteurs du projet

Carnot France Futur Élevage

Utilité et utilisateurs

L’ère du numérique s’est aujourd’hui installée dans tous les secteurs socio-économiques, dont l’agriculture. Pour répondre aux enjeux de performances sociales, économiques, environnementales liés au secteur de l’élevage, le Carnot France Futur Elevage développe de nouveaux outils de mesure et d’évaluation des données physiologiques et comportementales des animaux destinés à améliorer les pratiques et la multiperformance des élevages.

Quelles originalités / avancées scientifiques ou technologiques ?

La transformation des données brutes enregistrées en une information compréhensible et fidèle à la réalité laisse entrevoir l’avènement du « e-monitoring » des systèmes d’élevage. Le bien-être des animaux, leur santé, la santé publique vétérinaire par l’entremise de la salubrité des denrées consommées où le moindre usage de médicaments, sont des objectifs de ces nouvelles stratégies et instruments.

L’apport de l’Intelligence Artificielle

L’enregistrement à haute fréquence et sur de longues périodes permet d’évaluer en temps réel et d’alerter l’éleveur sur les ajustements physiologiques et comportementaux de l’animal (individuel ou en bande) à toute évolution de son environnement, comme les prémices d’une maladie.
La mise en place de modèles d’interprétation ultra performant grâce à l’Intelligence Artificielle vont apporter une aide précieuse à l’éleveur dans le constat des troubles de la santé avant même l’apparition des symptômes. Ils ouvriront de nouvelles perspectives en médecine vétérinaire en permettant des actions de gestion de la santé plus précoces et moins utilisatrices de médicaments en élevage.

Suivi et reconnaissance automatique d’individus dans un groupe d’animaux

Porteur du projet

Carnot Pasteur MS

Utilité et utilisateurs

Live Mouse Tracker utilise une technologie Random Forest pour trouver l’identité des souris.

L’apport de l’Intelligence Artificielle

Les identités sont en effet indécelables pour un humain, mais le Random Forest est couplé à un capteur plus sensible que l’oeil, et apprend ainsi en live les particularités de chaque animal afin de les distinguer. Il s’adapte à tout type d’animal présent dans la cage, quelle que soit leur apparence ou leur équipement.

Améliorer la surveillance hémodynamique et l’administration de médicaments en anesthésie

Porteurs du projet

Carnot Inria & AP-HP

Utilité et utilisateurs

Lors d’une anesthésie générale, le monitorage permettant de surveiller les paramètres hémodynamiques cardio-vasculaires (tension artérielle, rythme cardiaque...) du patient est fondamental. La technologie développée permet via la modélisation d’améliorer la prise hémodynamique et ouvre des perspectives à l’automatisation de l’administration des médicaments pour l’anesthésie.

Quelles originalités / avancées scientifiques ou technologiques ?

Il s’agit de la première utilisation d’un modèle BioPhysique Cardiovasculaire prédictif pour modéliser en temps-réel l’état hémodynamique d’un patient sous anesthésie générale. La modélisation permet de se limiter à des mesures peu invasives sur le patient.

L’apport de l’Intelligence Artificielle

La technologie combine la modélisation, l’assimilation de données et l’Intelligence Artificielle. L’intelligence Artificielle sera utilisée pour la partie d’administration automatique des médicaments afin de modéliser l’impact des éléments pharmacologiques sur les paramètres du modèle cardiovasculaire.

Une prothèse intelligente pour décoder les signaux myologiques chez un sujet amputé

Porteur du projet

Carnot Interfaces

Utilité et utilisateurs

Une prothèse qui apprend à décoder les signaux myologiques chez un sujet amputé en exploitant le phénomène du membre fantôme.

Quelles originalités / avancées scientifiques ou technologiques ?

Cette innovation montre la commande simplifiée du prototype par les EMG. L’innovation réside dans la commande de cette prothèse, qui s’adapte automatiquement au sujet par apprentissage, alors que les techniques actuelles proposent une commande figée, réglée en usine, que les sujets doivent apprendre au cours de séances longues, fastidieuses, et souvent décourageantes (taux d’abandon très élevé).

L’apport de l’Intelligence Artificielle

Avec les prothèses myoélectriques actuelles, l’utilisateur doit apprendre des contractions particulières des muscles résiduels pour commander la prothèse de façon séquentielle (moteur par moteur). Avec cette prothèse, l’utilisateur « imagine » bouger son membre fantôme (le souvenir de son membre) et la prothèse décode ces signaux et produit des mouvements qui peuvent être coordonnés.
L’apport décisif de l’Intelligence Artificielle se situe pendant la phase d’apprentissage, au cours de laquelle le robot enregistre les signaux alors que le sujet pratique des exercices. Cette phase est indispensable car le code EMG est spécifique à chaque sujet.

FINDMED

FINDMED : from drug to drug & to medtech

Pour répondre aux besoins exprimés par les entreprises de la filière santé et en accord avec les recommandations des industriels du Comité Carnot, FINDMED élargit progressivement son champ d’action au domaine des dispositifs médicaux, et ne se limite plus au seul médicament.

En effet, les médicaments de demain ne seront ni découverts ni administrés comme ceux d’hier. La découverte des futurs médicaments reposera largement sur l’utilisation des technologies digitales, à commencer par « l’intelligence artificielle », tandis que la prise en charge thérapeutique des patients passera encore plus qu’aujourd’hui par la conjonction de l’administration d’un médicament et de l’utilisation de dispositifs médicaux. Et ce qu’il s’agisse de dispositifs théranostiques pour permettre le ciblage pour chaque patient de la molécule qui lui est adaptée (médecine personnalisée), ou qu’il s’agisse de dispositifs implantés ou non, permettant la mesure de l’efficacité pharmacologique et l’adaptation posologique par exemple, ou bien permettant l’administration dans un organe donné pour augmenter l’efficacité et limiter les effets indésirables.

Les expertises académiques initiales du consortium, auxquelles s’ajoutent désormais des compétences allant de la science des matériaux, dont les biomatériaux et les matériaux biocompatibles, à la robotique chirurgicale et à la bioinformatique, en passant par la microfluidique vont permettre à FINDMED tout à la fois une accélération des processus de découverte des médicaments, et une personnalisation des traitements à chaque patient.