Chapitre 4 : Aider au traitement des maladies et des problèmes de santé
- Des chercheurs de l’Université du Texas à Austin convertissent des signaux cérébraux en mots et en phrases en utilisant les ondelettes et le Deep Learning
- Reconnecter le cerveau après une paralysie grâce au Machine Learning
- Intégrer une intelligence artificielle à des chaussures pour améliorer le traitement du diabète
Chapitre 4
L’IA pour aider au traitement des maladies et des problèmes de santé
Avec leur capacité à absorber et analyser de grands volumes de données et à générer une analyse dans un délai très court, les systèmes d’IA sont un outil très puissant pour le traitement des maladies et des problèmes de santé. À titre d’exemple, l’intégration de l’IA dans des équipements médicaux munis de plusieurs capteurs pourrait contribuer à accélérer la détection d’un problème clinique ou offrir des informations permettant d’améliorer la qualité du traitement. Grâce à l’IA, les vastes et complexes données physiologiques générées par le corps humain pourraient potentiellement être interprétées plus rapidement et avec davantage de précision pour préparer une intervention médicale.
![Une main saisissant une tasse et versant son contenu dans un verre. L’avant-bras de la personne est recouvert d’électrodes.](https://fr.mathworks.com/campaigns/offers/next/ai-medical-devices-digital-health/aid-treatment-of-diseases-and-health-conditions/_jcr_content/mainParsys/band_2102914970_copy_1262954735/mainParsys/lockedsubnav/mainParsys/image.adapt.full.medium.jpg/1721677585810.jpg)
Une interface cerveau-machine basée sur l’IA permet à un homme dont le bras est paralysé de verser du contenu dans une tasse. (Crédit : Battelle)
Challenge
Pour les patients atteints de sclérose latérale amyotrophique (SLA), la communication devient de plus en plus difficile à mesure que la pathologie progresse. Dans de nombreux cas, la SLA (également connue sous le nom de maladie de Charcot) entraîne un syndrome d’enfermement, dans lequel le patient est entièrement paralysé mais conserve ses fonctions cognitives. Les suiveurs oculaires, et plus récemment les interfaces cerveau-machine basées sur les signaux électroencéphalogrammes (EEG), permettent aux patients atteints de SLA de communiquer en épelant des phrases lettre par lettre, mais cela peut prendre plusieurs minutes pour communiquer même un simple message.
Solution
Des chercheurs de l’Université du Texas à Austin ont développé une technologie non invasive qui utilise des ondelettes, le Machine Learning et des réseaux de neurones de Deep Learning pour décoder les signaux de magnétoencéphalographie (MEG) et détecter des phrases entières à mesure que le patient imagine qu’il les prononce. L’algorithme fonctionne quasiment en temps réel ; lorsque le patient imagine une phrase, celle-ci s’affiche immédiatement.
- Avec l’aide de Wavelet Toolbox™, les chercheurs ont débruité et décomposé les signaux MEG en bandes d’oscillations neuronales spécifiques (oscillations gamma élevé, gamma, alpha, bêta, thêta et delta) en utilisant des techniques d’analyse multirésolution en ondelettes.
- Ils ont ensuite extrait les caractéristiques des signaux et utilisé Statistics and Machine Learning Toolbox pour calculer un large éventail de caractéristiques statistiques. Ils ont utilisé les caractéristiques extraites pour entraîner un classificateur par Support Vector Machine (SVM) et un classificateur par réseau de neurones artificiels peu profonds, ce qui leur a permis d’obtenir une référence de précision en classant les signaux neuronaux correspondant à cinq phrases. Cette méthode a donné une précision d’environ 80 % et a servi de référence de précision.
- L’équipe a ensuite utilisé les scalogrammes ondelettes des signaux MEG pour représenter les caractéristiques riches et s’en est servi pour entraîner trois réseaux de neurones à convolution profonds (AlexNet, ResNet et Inception-ResNet) afin d’effectuer le décodage de la parole avec les signaux MEG. Grâce à l’association des ondelettes et des techniques de Deep Learning, la précision globale a augmenté jusqu’à 96 %.
- Pour accélérer l’apprentissage, l’équipe a utilisé un serveur de calcul parallèle à sept GPU avec Parallel Computing Toolbox.
Résultats
Grâce à MATLAB, l’équipe a été en mesure d’itérer rapidement entre les différentes méthodes d’extraction des caractéristiques et d’entraîner plusieurs modèles de Machine Learning et de Deep Learning, ce qui lui a permis d’obtenir une précision globale du décodage de la parole avec les signaux MEG de 96 %. MATLAB leur a permis de combiner les techniques en ondelettes et le Deep Learning en quelques minutes seulement, soit beaucoup plus rapidement qu’avec les autres langages de programmation. En outre, l’équipe a été en mesure de passer à l’utilisation de plusieurs GPU pour l’apprentissage en ne modifiant qu’une seule ligne de code. Grâce à l’association de Parallel Computing Toolbox et d’un serveur doté de sept GPU, l’apprentissage des réseaux a été accéléré par 10 environ.
Challenge
La paralysie correspond à la perte de motricité d’une partie ou de la totalité du corps, généralement en raison d’une lésion du cerveau ou de la moelle épinière.
Solution
Les chercheurs de l’équipe NeuroLife de Battelle et de la Ohio State University ont développé une interface cerveau-machine afin d’enregistrer et d’analyser les signaux du cerveau et de les envoyer sous la forme de commandes à un équipement pour effectuer une action. Dans ce cas, l’équipe a conçu un système pour aider un patient à retrouver le contrôle de ses doigts, de sa main et de son poignet.
- Les chercheurs ont utilisé MATLAB pour analyser les signaux d’électroencéphalogramme (EEG) du cerveau et ont entraîné les algorithmes de Machine Learning à détecter et décoder les signaux tactiles sous-perceptuels reçus par le cerveau.
- Lorsque le patient utilisant l’interface cerveau-machine touche un objet, ces algorithmes séparent les signaux moteurs des signaux sensoriels, transmettant le retour tactile à une bande vibrotactile et les signaux moteurs à un manchon d’électrodes.
Résultat
Le patient peut désormais ramasser des objets sans les regarder. Si ce système est pour le moment trop volumineux pour être utilisé à domicile, il pourrait évoluer et ainsi améliorer la vie quotidienne des personnes atteintes de paralysie.
Challenge
La neuropathie diabétique est un type de lésion nerveuse qui se produit principalement dans les jambes et les pieds. Elle a pour origine des niveaux de glycémie élevés.
Solution
Grâce à MATLAB, le fondateur de Xfinito Biodesigns, Siddarth Nair, a créé un logiciel appelé Xeuron.ai, qui associé à une chaussure connectée aide au traitement de la neuropathie diabétique. Xeuron.ai enregistre les informations fournies par la chaussure connectée, telles que la pression, la température, la réponse aux stimuli et le mouvement. Les algorithmes de Deep Learning traitent les données. Ce traitement s’effectue par le biais du calcul hybride, ce qui, selon Siddarth Nair, contribue à réduire les coûts et le temps de calcul. En réponse à ces données, le système propose un traitement personnalisé via des stimuli électriques ou magnétiques, des vibrations ou des impulsions thermiques ou lumineuses.
Sélectionner un site web
Choisissez un site web pour accéder au contenu traduit dans votre langue (lorsqu'il est disponible) et voir les événements et les offres locales. D’après votre position, nous vous recommandons de sélectionner la région suivante : .
Vous pouvez également sélectionner un site web dans la liste suivante :
Comment optimiser les performances du site
Pour optimiser les performances du site, sélectionnez la région Chine (en chinois ou en anglais). Les sites de MathWorks pour les autres pays ne sont pas optimisés pour les visites provenant de votre région.
Amériques
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)
Asie-Pacifique
- Australia (English)
- India (English)
- New Zealand (English)
- 中国
- 日本Japanese (日本語)
- 한국Korean (한국어)