the new scientific reference

Deep Learning et comment prédire votre santé via votre rétine3 minutes de lecture

D

Les photos de votre rétine peuvent maintenant permettre aux ordinateurs de prédire les risques imminents de crise cardiaque.

“Les yeux sont les fenêtres de l’âme.”

Bien plus qu’une citation de George Rodenbach, les chercheurs de Google y voient un indicateur de santé. Une nouvelle technologie basée sur le Deep Learning permet alors de prédire diverses variables analysant une photo de leur rétine

Les ordinateurs de Google glanent des indices de la disposition des vaisseaux sanguins, et une étude préliminaire suggère que les machines peuvent utiliser cette information pour prédire une crise cardiaque imminente.

La recherche repose sur un réseau neuronal classique, un type de Deep Learning qui transforme la manière dont les biologistes analysent les images. Les scientifiques l’utilisent pour trouver des mutations dans les génomes et prédire les variations cellulaires

Dans le papier publié sur arXiv le 21 Septembre 2017, Google rapporte s’être basé sur les données de 284335 patients et ont pu prédire des risques cardiovasculaires précédemment indéterminés, l’âge, le genre, si l’individu est fumeur, la pression systolique et le taux d’HbA1C, indicateur corrélé au diabète. Oui, rien qu’avec une image de votre rétine.

L’approche de Google – décrite dans un papier d’Août 2017 (Poplin et al., 2017), intègre une nouvelle génération d’applications du Deep Learning qui rend le traitement d’images plus facile et versatile afin d’identifier plusieurs phénomènes biologiques.

Il était irréaliste d'appliquer du machine learning dans les champs de la biologie. Maintenant vous pouvez, et plus excitant encore, les machines peuvent maintenant voir des choses que les Hommes n'ont pas vu avant.

Philip Nelson, directeur de l'ingénierie chez Google Research, Californie.

Les réseaux neuronaux convolutifs permettent aux ordinateurs de traiter une image de manière efficace et holistique, sans la scinder en plusieurs parties.

Les scientifiques ont dû identifier quel type d’étude ils devaient conduire en utilisant les réseaux à entraîner avec d’énormes séries de photographies avant qu’ils puissent réaliser des prédictions.

Quand Google a voulu utilise le Deep Learning pour trouver des mutations dans les génomes, les scientifiques ont dû convertir des parties de l’ADN en images que l’ordinateur pouvait reconnaître. Ils ont ensuite entraîné les réseaux avec des fragments d’ADN “sains” et mutés comparés à l’ADN de référence. Le résultat final, DeepVariant, a été publié en Décembre 2017 sur GitHub et décèle de petites variations d’ADN aussi bien que les outils conventionnels.

Une technique aux multiples champs d’application

Gregory R. Johnson, Rory M. Donovan-Maiye et Mary M. Maleckar ont publié le 21 Décembre 2017 un papier expliquant leur démarche quant à l’utilisation de cette technique pour prédire les variations cellulaires, la morphologie nucléaire et la localisation de structures intracellulaires notamment via une interprétation probabiliste (G. Johnson, et al., 2017). 

Ce que vous voyez maintenant est un tournant sans précédant dans ce que peut accomplir le machine learning.

Anne Carpenter, Broad Institute of MIT and Harvard in Cambridge

Pour les chercheurs, l’analyse d’images par réseaux neuronaux convolutifs peut, par inadvertance, révéler de subtils processus biologiques amenant les biologistes à se poser de nouvelles questions qu’ils n’auraient jamais considéré auparavant.

De telles découvertes peuvent faire avancer la recherche dans la lutte contre diverses maladies. Si le Deep Learning peut révéler de subtils marqueurs cancéreux au sein d’une seule cellule, imaginez la rapidité de détection d’éventuelles tumeurs. Impressionnant. 

Source : doi: 10.1038/d41586-018-00004-w

Poplin et al., 2017, Predicting Cardiovascular Risk Factors from Retinal Fundus Photographs using Deep Learning

Johnson et al., 2017. Building a 3D Integrated Cell.

A propos de l'auteur

Clément POIRET

Créateur et rédacteur du site Science Exploits, je suis aussi passionné de science et de sport. Je pratique très régulièrement de la gymnastique et du street workout/calisthenics. Je suis ici pour combiner ma passion pour les sciences et mon envie de partager ce que je trouve de plus intéressant parmi les nombreuses études scientifiques.

the new scientific reference

Nous supporter

Vous pouvez miner, ça ne vous coûtera rien !
Minage à 0 Hashes/s
( - )   0 %   ( + )
Commencer
Arrêter

Commentaires récents

Archives

Recevez nos derniers articles par mail !

Recevez nos derniers articles par mail !

Rejoignez notre liste pour recevoir notre newsletter hebdomadaire gratuitement avec les derniers articles du site Science Exploits !

Vous venez de vous inscrire avec succès, à bientôt !