Représentation des données et representation learning

L’intelligence artificielle transforme l’analyse médicale en révélant des motifs cellulaires invisibles à l’œil humain et en améliorant diagnostic, recherche scientifique et développement de nouveaux traitements contre le cancer.

Interview : Jean-Frédéric Petit-Nivard, Chief Business Development Officer d’Owkin

Comment l’IA peut-elle concrètement améliorer les soins en oncologie ?

Chez Owkin, notre objectif est d’utiliser l’intelligence artificielle pour mieux comprendre les maladies et améliorer la prise en charge des patients. Un exemple marquant remonte à 2019, avec notre publication dans Nature Medicine autour du projet Maisonnette. Nous avons montré qu’à partir d’images de biopsies – où l’on observe cellules cancéreuses et immunitaires – l’IA pouvait prédire la survie des patients. Là où cela devient passionnant, c’est que le modèle a redécouvert des critères connus des anatomopathologistes, mais aussi identifié de nouveaux motifs invisibles à l’œil humain, car nécessitant d’analyser des millions d’images. L’IA devient ainsi un véritable outil de recherche, capable de révéler des mécanismes biologiques que l’on n’avait jamais explorés.

Aujourd’hui, vos technologies sont-elles réellement utilisées dans les hôpitaux ?

Oui, et c’est une grande fierté. Certains de nos outils diagnostiques ont obtenu un marquage CE et sont désormais utilisés en pratique clinique. Ils aident les médecins à mieux diagnostiquer certaines pathologies et à orienter les patients vers les traitements les plus adaptés. Ce travail a été possible grâce à nos collaborations étroites avec de nombreux centres hospitaliers et de recherche, comme Gustave Roussy, l’Institut Bergonié, l’AP-HP ou encore des hôpitaux en Angleterre et en Allemagne. L’impact sur la vie des patients est réel, même si le développement de nouveaux traitements nécessite encore plus de temps et de validations.

Quelles technologies d’IA utilisez-vous et comment les appliquez-vous à la santé ?

Nous nous appuyons sur des architectures variées : CNN, LLM, modèles fondation… Beaucoup ont été initialement développées par les grands acteurs technologiques tels que Google DeepMind ou Meta AI, mais nous les adaptons à nos données biomédicales. L’un des enjeux majeurs consiste à transformer des images ou des données biologiques brutes en représentations mathématiques de qualité. C’est ce travail de representation learning qui rend possible des prédictions fiables et interprétables. Nous avons aussi beaucoup contribué au federated learning, permettant d’entraîner des modèles sur des données distribuées, un sujet décrit dans plusieurs de nos publications disponibles sur le site d’Owkin.

Et demain : quelles sont les prochaines étapes pour Owkin ?

Nous venons de lancer K-Pro, une nouvelle plateforme qui facilite la recherche biomédicale grâce aux agents et aux LLM. L’autre étape déterminante sera la publication des résultats de notre premier essai clinique, aujourd’hui en phase 1, mené en Australie, en Europe et aux États-Unis. Nous avons beaucoup d’espoir : confirmer notre hypothèse thérapeutique donnerait un sens immense à notre travail. Par ailleurs, de nouveaux outils diagnostiques arrivent, renforçant encore notre ambition d’accélérer la recherche et d’améliorer la vie des patients.

Hébergé par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.