Une source intarissable de connaissances

De nouveaux systèmes intelligents, capables d’amasser des connaissances, sont actuellement développés dans toute une série d’applications. Dans le domaine de l'imagerie médicale, ces systèmes pourront par exemple détecter d'éventuelles anomalies et dans l'industrie, ils rendront la prise de décision beaucoup plus rapide. Avides de connaissances, ces systèmes constitueront une aide précieuse, que Siemens entend bien faire profiter à ses clients.

Les systèmes de détection assistée par ordinateur, intégrés à un nombre croissant d’applications cliniques, exploitent de vastes bases de données pour faciliter la prise de décisions personnalisées.

Certains modèles de données, autrefois imperceptibles par l’homme et la machine, offrent désormais de multiples perspectives, favorisant la personnalisation et l’efficacité des traitements médicaux et processus de production, de même que l’efficacité et la flexibilité du traitement des informations (par les caméras de surveillance comme par les systèmes d’archivage des données). De la santé à la gestion énergétique en passant par les transactions financières et la sécurité, les machines, experts et processus produisent en permanence des informations qui sont transformées en connaissances. Ces données sont ensuite exploitées par des algorithmes, véritables alliés invisibles sachant aussi bien détecter des anomalies cardiaques que déterminer la probabilité d’achat d’un client.

Une précieuse expertise

Quel que soit le type de problème pour lequel ils sont conçus, ces « assistants » excellent à découvrir les tendances dissimulées au cœur de gigantesques bases de données, ce que l’Homme est incapable de faire. Dans le domaine médical, par exemple, la première étape consiste à prospecter les données. « Nous réunissons plusieurs sources de données patient, nous les explorons afin d’établir des modèles prédictifs, puis nous intégrons les résultats à des applications offrant aux médecins une interaction dynamique, dans un environnement de détection assistée par ordinateur (DAO) », explique Alok Gupta, vice-président du département DAO et Knowledge Solutions de Siemens Medical Solutions (SMS) à Malvern (États-Unis).

SMS utilise ce volume colossal de données pour alimenter une plateforme de connaissances complète d’aide à la prise de décisions médicales baptisée Remind (Reliable Extraction and Meaningful Interference from Nonstructured Data). Nec plus ultra des assistants invisibles, « Remind assurera l’intégration dynamique d’images médicales, d’informations de diagnostic in vitro et d’informations génétiques au profil d’un patient, facilitant ainsi la personnalisation des décisions thérapeutiques grâce à l’analyse des données issues de nombreux cas similaires », commente Bharat Rao, Responsable « Knowledge Solutions for Healthcare Providers » chez Siemens Medical Solutions, à Malvern, et créateur de la plateforme Remind.

Remind marque un tournant dans les activités de Siemens liées à l’imagerie et, plus particulièrement, celles de Siemens Diagnostics, qui couvrent désormais les diagnostics in vitro. « Notre objectif est d’intégrer les informations issues de l’imagerie et des analyses de laboratoire à une base de données unique, puis à un seul dossier patient », indique Alok Gupta.

Siemens s’efforce de concrétiser la vision de Remind en développant toute une batterie d’assistants invisibles destinés notamment à réaliser une « seconde lecture » des examens radiologiques. Axés sur le traitement des connaissances, ces assistants (qui s’intègrent à l’interface utilisateur syngo de Siemens) aident à détecter les nodules pulmonaires, polypes du colon, lésions mammaires et autres.D’autres aident les praticiens en accélérant le processus de quantification précise de fonctions telles que la fraction d’éjection et les anomalies du flux sanguin, et en réalisant une analyse comparative des images générées à différents moments et selon diverses modalités.

L’un de ces systèmes est capable d’extraire, à partir de données d’échographie, un modèle 4D de la valvule aortique « que les médecins peuvent interroger grâce à plusieurs fonctions quantitatives en temps réel », commente Helene Houle, échographiste chez Siemens Ultrasound à Mountain View, en Californie, qui a participé à sa mise au point en étroite collaboration avec Siemens Corporate Research (SCR) à Princeton. Un autre de ces assistants, en cours de développement, utilisera des données scanographiques en vue de créer un modèle 3D interactif qui reproduira les contours du cœur en mouvement et identifiera les anomalies liées au volume sanguin pompé par les oreillettes.

Mais ces assistants n’en sont encore qu’à leurs débuts. « Nous étudions actuellement l’ajout d’informations génétiques aux données d’imagerie », précise Alok Gupta. Siemens travaille ainsi en collaboration avec des centres médicaux dans le cadre du programme Health-e-Child, financé en partie par l’UE. Ce programme, coordonné par SCR et le département de DAO, s’efforce de mettre au point une plateforme de données pédiatriques offrant une intégration transparente des sources traditionnelles d’informations biomédicales ainsi que des nouvelles sources, telles que les données génétiques et protéomiques.

Commande vocale

Le traitement de la quantité d’informations sans précédent générée par la multiplication des « assistants » médicaux et par l’extension des bases de données correspondantes requiert cependant de nouveaux systèmes. La solution ALPHA de localisation et d’analyse automatiques de l’anatomie humaine pourrait ainsi être commercialisée en 2008. Exploitant une colossale base de données anatomiques et assimilant de nouvelles informations à chaque examen, ALPHA reconnaît l’ensemble des repères du corps et ouvre de ce fait la voie aux interactions vocales. « Bientôt, il suffira au médecin de formuler un ordre, tel que : “affiche le lobe inférieur gauche du poumon du patient et compare-le avec celui des deux examens précédents” », affirme Arun Krishnan, Responsable du service de recherche et développement DAO chez SMS à Malvern. « Le débit patient en sera considérablement accéléré, puisqu’il ne sera plus nécessaire de rechercher la coupe souhaitée parmi une multitude d’images : la cible s’affichera automatiquement par simple commande vocale. » La solution ALPHA, compatible avec les systèmes de communication et d’archivage d’images des hôpitaux, accélérera sensiblement l’accès aux différents types d’imagerie, notamment CT, IRM, TEP, ainsi qu’à leur contenu.

Dans le cadre du projet Theseus, sous la coupe du Ministère allemand de l’éducation et de la recherche, Siemens travaille également sur la compréhension des informations complexes contenues dans les images. « Theseus vise à reconnaître et à structurer automatiquement les données d’imagerie afin de permettre à un moteur de recherche sémantique de les exploiter », précise Hartmut Raffler, coordinateur du projet Theseus et directeur de la Division Information et Communications de Siemens Corporate Technology (CT). Selon Volker Tresp, de CT, chargé de la gestion de Theseus et spécialiste en exploration des données, apprentissage automatique et aide à la prise de décision, « ce domaine est immense car il étend la prospection de données à l’ensemble des archives graphiques, vidéo, multimédias et de contenus, pour tout ce qui a trait, entre autres, à la sécurité, à la robotique, au divertissement et aux sciences environnementales. »

Plus spécifiquement, le programme de recherche « Medico » de Theseus s’intéresse au développement d’un système intelligent et évolutif de recherche et d’archivage d’images (compatible avec ALPHA) permettant de récupérer des images en fonction de leur contenu. Par exemple, si un cardiologue examine l’IRM d’un patient présentant un problème de valvule pulmonaire, « il peut utiliser Theseus pour afficher des images de valvules pulmonaires similaires en termes de morphologie et de fonctionnement pré et post-opératoires afin de déterminer la nécessité d’une intervention chirurgicale », indique Dorin Comaniciu, responsable du département Integrated Data Systems de Siemens Corporate Research à Princeton et initiateur de Theseus Medico.

Combinant plusieurs sources de données médicales, la plateforme Remind favorise la création de systèmes d’aide à la prise de décision.

Communications inter-caméras

Les applications de ce type de moteur de recherche vont cependant bien au-delà de l’utilisation médicale. Comme l’affirme Ramesh Visvanathan, responsable du département « Real-time Vision and Modeling » de SCR : « Dans le cadre du projet Theseus, nous oeuvrons à la définition de langages de métadonnées pour l’identification automatique de contenus vidéo. Cela signifie, par exemple, que les caméras pourront suivre une cible et faire une description dans un langage normalisé, qu’elles transmettront à d’autres caméras. » Ces dernières prendront ainsi le relais d’une caméra lorsque l’intrus qu’elle a détecté, par exemple, quitte son champ de vision.

Quid de la qualité des images sélectionnées par les systèmes intelligents ? Qu’elles soient issues d’une caméra de surveillance ou d’une base de données médicales, leur qualité se doit d’être irréprochable pour garantir une évaluation fiable de leur contenu. D’où la nécessité d’un dispositif de sélection des meilleures images. Les recherches menées à l’Université Tsinghua de Pékin, financées en partie par Siemens, pourraient apporter une solution. « Le but est de développer un assistant qui identifie, pour le médecin, les images de haute qualité les plus pertinentes parmi de vastes jeux de données », explique Dorin Comaniciu. Étudié pour utiliser les mêmes critères de sélection que ceux employés par les médecins eux-mêmes, l’assistant sera même en mesure de retoucher les images présentant des défauts.

Algorithmes et automatisation

Si les assistants intelligents prolifèrent dans le domaine de la santé, ils commencent également à investir d’autres secteurs, tels que l’industrie sidérurgique, où la tendance à l’automatisation totale entraîne une généralisation de l’intelligence décentralisée.

« Selon la nuance d’acier, les composants employés peuvent faire l’objet de stratégies individuelles de surveillance et de gestion pour chaque étape de fabrication tout en partageant un même processus global », expose Michael Metzger, spécialiste des solutions pour l’industrie sidérurgique chez Siemens Corporate Technology, à Munich. Le principe consiste à recourir à des « algorithmes placés à proximité d’actionneurs et travaillant de concert à la résolution d’un problème de commande au sein d’un ensemble de machines ». Ces systèmes doivent, de plus, être capables d’apprendre instantanément. « C’est la raison pour laquelle ils se basent sur des modèles de commande et de processus d’optimisation eux-mêmes basés sur des relations dérivées de notions physiques et de connaissances spécifiques. Mais ils doivent également être en mesure d’assimiler l’important volume de données produites par un système d’automatisation, afin que le système de commande puisse réagir en temps réel et de manière optimale à des variables telles que la température et la force de laminage », ajoute Michael Metzger.

Comme dans le domaine de la santé, la tendance dans l’industrie est au développement de solutions personnalisées. A partir de données d'expertise et grâce à leur exploration, ils permettent la détection de paramètres clés, tels que l’historique des déformations et la vitesse de refroidissement d’une nuance d’acier donnée. Lorsqu’il s’agit d’honorer une commande en particulier et que l’on veut optimiser les résultats, l’ensemble du processus de production peut être réseaux neuronaux et algorithmes d’apprentissage inclus. Les informations sont ensuite transmises au laminoir à des fins de test en conditions réelles. Les valeurs relevées à chaque étape sont comparées à celles de la simulation (valeurs optimisées). « Grâce à cette comparaison, les modèles apprennent à se perfectionner. À terme, ces systèmes s’orienteront vers l’aide à la prise de décision, puis vers l’automatisation des décisions. »

Les « assistants » médicaux détectent les anomalies de l’intestin (à gauche), de la valvule aortique (au centre) et du volume sanguin pompé par les oreillettes.

Des réparateurs numériques

Les systèmes d’apprentissage gardent une trace des solutions les plus efficaces dans des circonstances variées et complexes, mais surveillent également les facteurs à long terme responsables de l’usure des machines et déterminent à quel moment effectuer les opérations d’entretien afin de limiter les temps d’arrêt. Dans cette optique, Siemens a établi en 2007 un programme stratégique de surveillance des machines baptisé Machine Monitoring Initiative. « Il s’agit avant tout de synthétiser les recherches en exploration des données, systèmes d’apprentissage et systèmes d’aide à la prise de décision à l’échelle d’une organisation », explique Claus Neubauer, spécialiste de l’intégration des données chez SCR. Les résultats seront exploités pour automatiser les prévisions et la planification de maintenance de tous les systèmes, des réseaux d’alimentation électriques, ferroviaires et de communication aux appareils IRM en passant par les réducteurs des laminoirs.

S’il paraît difficile de prévoir les besoins en maintenance et en remplacement de pièces, comment imaginer qu’on puisse déterminer si un client va passer commande d’un parc éolien ou d’un appareil d’IRM ? Étonnamment, ce type d’informations est déjà à l’étude. Les recherches menées chez SCR ont débouché sur une technologie « précise à 70-80 % », affirme Amit Chakraborty, qui dirige le programme de modélisation et d’optimisation de SCR. « Les “assistants” peuvent faciliter la prise de décision en tenant compte d’une multitude de facteurs, notamment la fidélité du client, la concurrence et les informations émanant de la force de vente. »

Le règne de l’intelligence

Dans la mesure où les assistants invisibles, relativement peu coûteux à produire, augmentent sensiblement la productivité du matériel, ils finiront naturellement par s’imposer un peu partout. La tendance à l’intelligence décentralisée des installations de production fortement automatisées s’étendra également à des secteurs tels que la gestion ferroviaire et du trafic routier, la domotique et la gestion technique des bâtiments, les technologies de sécurité, la production et la distribution d’énergie, sans oublier la santé. L’impact pourrait être considérable dans les domaines du divertissement, de l’accessibilité des informations, de la sécurité, de la protection de l’environnement, ainsi que sur notre manière de communiquer, de nous organiser, de travailler et de vivre.

« Gardons à l’esprit que l’objectif premier est de seconder l’homme », précise Hartmut Raffler. « Ces assistants seront bientôt en mesure de comprendre ce que nous recherchons, de nous présenter des résultats de manière plus intelligente, de répondre à nos questions, de traiter des volumes importants de données non structurées, de composer des services et de proposer de nouveaux processus de résolution des problèmes. »

Les informations, que nous produisons de manière ininterrompue, deviendront de plus en plus pertinentes à mesure que nous apprendrons à les explorer, à combiner leurs flux et à affiner leur signification. Une source intarissable de connaissances sera bientôt à notre portée.

Arthur F. Pease