Prévoir l'évolution d'une maladie gr?ce à des méthodes statistiques
Les données contiennent bien plus que des informations évidentes. Les statistiques permettent également de trouver des relations de cause à effet cachées. C'est sur ce point qu'Alexander Marx fait des recherches en tant que Fellow à l'ETH AI Center à l'aide de l'intelligence artificielle. L'un de ses objectifs est de faire des prédictions sur le diabète des enfants.
Une hypoglycémie n'arrive généralement pas par hasard chez un diabétique. Pas plus qu'un cours de bourse ne s'effondre sans raison. C'est pourquoi, du moins en théorie, les deux sont prévisibles. Mais dans la pratique, de telles prévisions n'ont jusqu'à présent que très rarement réussi. Si Alexander Marx réussit avec son projet, cela changera à l'avenir pour les enfants atteints de diabète de type 1 : "Nous travaillons sur des modèles de prédiction qui doivent permettre de détecter à temps si une hypoglycémie menace pendant la nuit", explique le fellow de l'ETH AI Center. "Si les enfants font beaucoup d'exercice physique pendant la journée, leur taux de glycémie peut tomber en dessous d'un seuil critique pendant le sommeil. Un modèle de prévision fiable permettrait d'éviter ce risque".
Rendre visibles les réseaux de causes et d'effets
Marx s'occupe de cette problématique au sein du groupe de recherche en sciences des données médicales de Julia Vogt. "Je viens plut?t de l'angle théorique et j'ai surtout travaillé jusqu'à présent avec des données générées artificiellement. L'AI Center a pour ambition de réunir la théorie et la pratique. Je trouve cela passionnant. Je dois maintenant faire fonctionner les concepts théoriques avec des données réelles".
Marx a acquis son bagage scientifique à l'Université de la Sarre à Sarrebruck, en Allemagne. Après un dipl?me de master en bioinformatique, il s'est intéressé à la découverte causale dans le cadre de sa thèse de doctorat à l'Institut Max Planck pour l'informatique, basé dans cette ville. Ces méthodes statistiques permettent de créer, à partir de données d'observation, des graphes dits causaux qui rendent visibles les réseaux de causes et d'effets.
Déduire des prédictions à partir de corrélations
Il s'agit par exemple de déterminer, à partir de données d'enquête, tous les facteurs pour lesquels on suppose une relation de cause à effet avec une certaine grandeur. Un exemple général serait la dépendance du revenu d'une personne par rapport à son ?ge, son lieu de domicile, son sexe, sa formation, son état civil ou le nombre d'enfants. Sur la base des corrélations trouvées, il est alors possible de faire des prédictions pour les personnes qui n'ont pas été interrogées. Pour cela, il n'est même pas nécessaire de conna?tre l'ensemble des cha?nes de dépendance, comme le précise Marx. Il suffit de déterminer la plus petite quantité de facteurs suffisante pour établir un pronostic.
Des données synthétiques à la réalité clinique
Gr?ce à ces méthodes et avec le soutien de l'intelligence artificielle, Marx a étudié, entre autres à l'aide de données simulées, comment les activités d'environ 500 gènes sélectionnés dans une cellule humaine sont liées. Dans l'idéal, il sera possible à l'avenir de faire évoluer ces méthodes de manière à ce qu'elles puissent inclure les quelque 25 000 gènes d'une cellule. De telles analyses informatiques des réseaux de gènes permettraient à la recherche biologique et médicale de comprendre facilement et rapidement les processus qui se déroulent dans une cellule. Pour obtenir le même résultat avec des expériences en laboratoire, il faudrait déployer des efforts considérables. Il faudrait en effet désactiver chaque gène individuellement à l'aide d'outils de génie génétique, puis mesurer les effets sur l'activité de tous les autres gènes.
"Avec notre projet, nous avan?ons dans des domaines que nous ne ma?trisons pas encore avec les méthodes à disposition". Alexander Marx
Pour les projets que Marx entreprend au AI Center, il doit porter les méthodes de découverte causale à un nouveau niveau de complexité. Au lieu d'utiliser des ensembles complets de données d'observation ou des données synthétiques, comme pour l'expression des gènes, il travaille désormais avec des données réelles issues de la pratique clinique. Cela rend la t?che nettement plus difficile, comme l'informaticien l'a rapidement constaté : "Dans la réalité, il manque souvent des informations individuelles, des valeurs de mesure ou des ensembles de données entiers, et la collecte diffère aussi toujours d'un h?pital à l'autre et parfois même d'un médecin à l'autre".
?liminer les corrélations non pertinentes
Les données cliniques que Marx évalue pour son modèle prédictif en collaboration avec des médecins de l'H?pital pédiatrique universitaire des deux B?le (UKBB) contiennent entre autres des séries temporelles de la fréquence du pouls et du taux de glycémie ainsi que des informations sur les activités physiques, l'apport calorique, les injections d'insuline et la qualité du sommeil. Dans un premier temps, il s'agit maintenant de filtrer les données et d'exclure du modèle les éventuelles corrélations qui ne sont pas en rapport avec la question posée.
Pour pouvoir à l'avenir faire des pronostics robustes et compréhensibles pour un médecin traitant, le nombre de facteurs doit être maintenu aussi bas que possible. D'une manière ou d'une autre, il n'est pas encore possible de prédire si le modèle sera efficace dans la pratique : "Avec notre projet, nous nous aventurons dans des domaines que nous ne ma?trisons pas encore avec les méthodes à notre disposition".
Proximité de la nature, montagnes et communautés de grimpeurs
Le jeune chercheur a en tout cas réussi ses débuts à Zurich : "Lorsque je suis arrivé ici pour la première fois en automne, je me suis très vite senti à l'aise. La ville est très belle et on se trouve en peu de temps dans les montagnes". La proximité de la nature et des montagnes pla?t particulièrement à ce passionné d'escalade sportive. "L'escalade me permet de déconnecter. Mes pensées sont alors entièrement focalisées sur les prises. A cela s'ajoute la communauté. A Sarrebruck, il était encore loin des montagnes et pratiquait donc surtout l'escalade de bloc en salle. Aujourd'hui, il se réjouit de pouvoir s'aventurer plus souvent en terrain alpin depuis Zurich.
Extrêmement international et multidisciplinaire
Marx se pla?t autant dans le Centre AI que dans la ville de Zurich et ses environs : "Le centre est extraordinairement international. A cela s'ajoute la diversité des domaines de spécialisation. C'est impressionnant et inspirant de pouvoir discuter d'égal à égal, au quotidien, avec des sommités de différentes disciplines scientifiques".
"Après ces premières expériences, je suis confiant que mon passage à l'ETH me préparera bien aux deux options de carrière, la science et l'industrie."Alexander Marx
L'interdisciplinarité du centre AI ne se limite toutefois pas aux contacts sociaux. En plus de la bioinformaticienne Julia Vogt, Marx a un co-mentor en la personne de Peter Bühlmann, spécialisé dans les statistiques hautement dimensionnelles, qui permettent d'étudier des jeux de données dans lesquels de nombreuses caractéristiques sont attribuées à chaque objet. Les données sur les diabétiques analysées par Marx en font partie. En outre, il existe également une collaboration institutionnalisée avec le groupe d'informatique biomédicale de Gunnar R?tsch, qui effectue des recherches à l'interface de l'apprentissage automatique et de la bioinformatique.
Apprendre à partir de différentes sources de données
Marx n'est pas seulement actif dans un domaine. Dans un autre projet, il s'occupe de ce que l'on appelle l'apprentissage multimodal. Il s'agit ici de trouver des points communs dans des données provenant de différentes sources. Il s'agit par exemple de combiner les résultats d'une TEP (tomographie par émission de positrons), qui permet de visualiser en trois dimensions les anomalies du métabolisme des tissus, avec les résultats d'une TDM (tomographie assistée par ordinateur) basée sur les rayons X, qui met en évidence les anomalies dans les densités des tissus, couche par couche.
Une combinaison automatisée par machine learning de l'analyse des deux méthodes d'imagerie pourrait faire avancer de manière décisive le diagnostic des tumeurs. La vision est un système d'IA qui trouve les points communs dans les deux ensembles de données et en déduit des diagnostics et des pronostics fiables.
Acquérir une première expérience en tant qu'enseignant
Actuellement, le jeune universitaire se réjouit de son premier cours, qu'il donnera ce semestre d'été en collaboration avec des collègues du AI Center : "J'ai toujours eu beaucoup de plaisir à travailler avec les étudiants et les étudiants en master à l'ETH sont d'un très haut niveau. Les discussions me permettent toujours d'apporter des éléments auxquels je n'avais pas encore pensé moi-même". Dans le cadre de son fellowship, Marx pourra donc non seulement former ses compétences scientifiques, mais aussi acquérir une première expérience en tant qu'enseignant.
Quant à son propre avenir, Marx ne veut pas encore se risquer à des pronostics concrets. "Après mes premières expériences, je suis confiant que mon temps passé à l'ETH me prépare bien aux deux options de carrière - science et industrie".
Articles connexes
- chevron_right Comment l'intelligence humaine et l'intelligence artificielle peuvent se compléter (Actualités ETH, 02.03.2022)
- chevron_right Talent et esprit d'équipe au c?ur de l'intelligence artificielle (Actualités ETH, 20.10.2021)
- chevron_right Nouveau centre de recherche en IA (communiqué de presse, 20.10.2020)
- chevron_right Grand succès au niveau européen (communiqué de presse, 10.04.2018)