Kimberly Powell (Nvidia) : “La santé numérique est à un point d’inflexion, grâce à l’IA générative”

L’entreprise Nvidia est connue historiquement comme fabricant de cartes graphiques. Vous y travaillez depuis 16 ans. Comment l’entreprise est-elle passée du hardware au software ?

Nous avons toujours été à la fois une entreprise de hardware et de software, mais cela n’a pas toujours été bien compris. Nvidia a été pionnière sur trois technologies informatiques fondamentales. Tout d’abord les cartes graphiques, qui reposent sur la capacité à simuler la lumière pour créer des univers immersifs dans le jeu vidéo. Lorsque vous cherchez à rendre le plus réaliste possible une surface comme la peau ou les cheveux, vous produisez en fait tout un tas de calculs mathématiques permettant de représenter des propriétés physiques. Nous avons aussi inventé en 1999 le GPU (processeur graphique, ndlr) qui permet de faire tourner des algorithmes très complexes. Nous avons compris que cette capacité pouvait s’appliquer à bien d’autres domaines et avons donc inventé un langage informatique appelé CUDA. CUDA est l’API qui permet d’offrir un accès au microprocesseur, de manière programmable. J’ai rejoint Nvidia à ce moment-là, pour développer les logiciels permettant d’offrir de nouvelles applications dans les sciences de la vie, et plus particulièrement en santé. C’est l’un des domaines où l’augmentation de la puissance de calcul est la plus nécessaire du fait du volume croissant de données à traiter. Pour monter en puissance, il faut une combinaison intelligente de puces, de data centers, de systèmes logiciels, de bibliothèques d’algorithmes d’accélération. Nous sommes désormais de plain pied dans l’ère de l’IA générative, que nous n’aurions jamais pu atteindre sans le calcul accéléré. Depuis une décennie, il y a plus d’ingénieurs software que d’ingénieurs hardware qui travaillent chez Nvidia, à cause de cette complexité. 

Comment cette grande puissance de calcul peut être utilisée en santé ?

Si vous faites une enquête sur l’usage des superordinateurs à travers le monde depuis 2006, vous verrez que la plupart d’entre eux font de la simulation moléculaire. Concrètement, ils simulent l’interaction entre une protéine et une molécule chimique. C’est la base de la découverte de médicaments et la science était jusqu’alors limitée par le temps dévolu au calcul de ces interactions. Lorsque vous pouvez programmer plusieurs GPU ensemble dans un data center, vous pouvez rendre la simulation un million de fois plus rapide. Pour accélérer la dynamique moléculaire, le processus de génération d’images et faciliter la vie des développeurs d’applications, nous devions créer un jeu d’algorithmes. C’est pour cela que nous avons créé cuFFT qui a beaucoup d’applications en santé, la reconstruction d’images notamment lors d’un scanner ou des rayons X.

Quelle est la contribution de NVIDIA dans le domaine de la recherche ? ?

Après avoir trouvé comment nous pouvions aider le monde, à une large échelle, au travers de logiciels, nous nous sommes attachés à construire des applications très sophistiquées basées sur l’IA. La première décennie de l’IA, à partir de 2012, a été centrée sur les CNN (Convolutional Neural Networks ou réseaux de neurones convolutifs) très utilisés dans la reconnaissance d’images. La révolution des “Transformers” (le T de ChatGPT) est arrivée en 2017, parce que nous avions la capacité d’utiliser un data center entier pour entraîner ce large modèle de langage. Nous voulons créer les outils, au travers de notre plateforme de calcul, pour permettre à la recherche d’arriver au succès. Nous le faisons au travers de partenariats pour nous assurer que ce que nous construisons a une utilité pour les entreprises. 

La construction d’une intelligence artificielle appliquée au monde de la santé présente-t-elle des difficultés particulières ?

La santé a ses propres langages. L’imagerie médicale, par exemple, est une forme de langage, c’est un monde en 3D. Aussi, ce que l’on produit en vidéo avec nos smartphones ne peut pas être retranscrit dans le domaine des sciences du vivant. Il nous a donc fallu créer des couches d’application spécifiques au domaine de la santé, pour que notre savoir-faire en traitement de l’image puisse s’appliquer à la radiologie. L’une des autres langues de la santé est constituée par les données textuelles comme les résultats biologiques, les comptes rendus médicaux. C’est une langue encore différente de celle que l’on trouve sur internet. Enfin, le dernier langage que nous sommes capables de numériser depuis une vingtaine d’années est notre ADN. Avec la baisse du coût du séquençage, de plus en plus de données génomiques peuvent désormais être utilisées pour la médecine de précision. Ces langages entrent dans la catégorie de ce que l’on appelle la biologie computationnelle. L’IA en santé diffère grandement de celle utilisée dans les autres secteurs. 

Quels espoirs fait naître l’arrivée de l’IA générative dans la découverte de nouveaux médicaments ?

Ce qui est passionnant aujourd’hui est que nous disposons désormais des trois ingrédients qui vont nous permettre d’accélérer une nouvelle compréhension de la biologie : la donnée biologique numérisée, la méthodologie (GPT) permettant d’utiliser ces données pour construire de très grands modèles capables de faire des simulations ; la plateforme de calcul accéléré pour entraîner ces modèles à très large échelle. Ces atouts marquent un nouveau point d’inflexion dans le domaine de la découverte de médicaments. Pour la première fois, nous sommes capables de numériser et représenter le monde des médicaments à l’intérieur d’un ordinateur. Ces cent dernières années, la découverte de médicaments ne pouvait se faire qu’au travers de l’expérimentation, en regardant au travers d’un microscope, avec des humains et des processus scientifiques. Les modèles que l’on peut construire sont aujourd’hui beaucoup plus sophistiqués. Aussi, nous n’avons jamais eu accès à autant de données. Les médicaments innovants (ceux basés sur les anticorps, les thérapies cellulaires, tissulaires, géniques) ont créé une abondance de nouvelles capacités thérapeutiques. Mais les problèmes à résoudre restent très complexes.

A-t-on déjà des conséquences concrètes de cette influence de l’IA dans la drug discovery ?

Les patients ont déjà eu un bénéfice direct de l’utilisation de l’IA. Moderna a utilisé l’IA pour amener rapidement son vaccin Covid sur le marché. À l’échelle du monde, nous aidons les chercheurs à trouver des médicaments pour les maladies qui n’ont pas encore de solutions thérapeutiques. Aussi, les entreprises pharmaceutiques pour les IND de la FDA (les demandes d’autorisation d’étude cliniques adressées à la FDA, ndlr) ont dix fois plus souvent recours à l’IA qu’il y a deux ans. 

Vous êtes également impliqués dans le domaine de la santé numérique…

La santé numérique est elle aussi à un point d’inflexion, grâce à l’IA générative. C’est notamment  ce que nous faisons avec Nvidia Nim (une suite de 25 microservices qui permettent de créer et déployer des applications natives pour le cloud, ndlr) qui constitue une nouvelle couche dans notre offre logicielle. La santé numérique de ces 20 dernières années était constituée de solutions permettant, grâce au machine learning, de faire des prévisions. Le deep learning a permis d’aller plus loin et d’extraire des informations avec un intérêt médical. Mais ces solutions n’étaient pas génératives, elles étaient juste plus prédictives. Aujourd’hui, on récupère des données de routine, on les met dans un modèle et on peut générer un travail qui pourrait correspondre à celui d’un humain. C’est par exemple ce que fait Nabla à partir des conversations. Nos médecins ont beaucoup de travail administratif et sont souvent victimes de burn out. Si nous sommes capables de leur faire gagner ne serait-ce que 10% de leur temps, c’est déjà important. Désormais, ils peuvent utiliser leur smartphone pour résumer automatiquement l’ensemble des interactions qu’ils ont eues avec leurs patients et intégrer automatiquement un compte rendu dans le dossier patient informatisé. Aussi, nous avons un Nim pour la reconnaissance vocale, pour les modèles de langage, pour les systèmes RAG, (génération augmentée de récupération, ndlr) pour le text to speech, et même pour construire des avatars. Tous ces systèmes d’IA peuvent fonctionner, ce qui nous permet d’imaginer avoir un double digital qui, à partir de nos données, nous fasse des recommandations, sur notre sommeil ou notre façon de manger. C’est le sens de notre partenariat avec Hippocratic AI, qui doit permettre de développer un agent de santé virtuel alimenté par l’IA générative, capable notamment de comprendre et de réagir aux émotions des patients.

En chirurgie, Nvidia a l’ambition de démocratiser les solutions d’IA médicale. Quelle est votre stratégie ? 

L’imagerie ne se résume pas à l’anatomopathologie et à la radiologie. Cela concerne également l’imagerie en temps réel lors d’une opération chirurgicale. Nous avons construit toute une suite d’applications appelée Holoscan, pour permettre à l’IA de fonctionner en temps réel. Tout ce que nous avons fait avec les voitures autonomes, nous pouvons l’appliquer à d’autres domaines, et notamment aux robots chirurgicaux. Des caméras à l’intérieur du corps permettent de reconnaître précisément l’anatomie, ce que font les outils chirurgicaux, et de générer à l’écran des données qui peuvent aider le chirurgien ou les autres personnes présentes dans le bloc opératoire à prendre des décisions en temps réel. C’est un copilote et on peut aussi imaginer un robot qui pourrait m’informer des antécédents du patient que je vais opérer. L’IA en temps réel peut, de manière générale, vraiment améliorer l’efficacité de l’hôpital. C’est le sens de notre collaboration au sein du consortium MONAI, qui offre des cadres collaboratifs open-source, disponibles gratuitement, pour démocratiser les solutions d’IA en imagerie médicale.

Vous êtes partenaire des principales entreprises qui portent aujourd’hui la révolution de l’IA générative. Quelle place entend jouer Nvidia dans la construction des LLM ?

Les LLM ont une palette très large d’applications et nous sommes partenaires avec tous les grands acteurs du domaine : Oracle, OpenAI, Mistral AI…Nous avons aussi recours à des modèles open source et, lorsque nous pouvons le faire, nous construisons nos propres modèles. C’est le concept de RAG que nous appliquons, qui consiste à utiliser une combinaison de plusieurs modèles et à ajouter de nouvelles briques pour des usages plus spécifiques. 

L’écosystème français des techbio est particulièrement riche. Quel type de partenariat pourriez-vous envisager avec les entreprises françaises du secteur ? 

Iktos, Aqemia, Owkin, Qubit Pharmaceuticals…nous avons des partenariats avec presque toutes ces sociétés. En 2014, notre entreprise a créé Nvidia Inception, qui est un accélérateur digital pour les start-up. Près de 20 000 entreprises de la tech sont entrées dans ce programme et près de 25% d’entre elles appartiennent au monde de la santé. Nous avons dans chaque région du monde une équipe dédiée qui accompagne ces start-up, sur le plan technique, en leur donnant accès à nos plateformes. Nous les mettons aussi en relation avec des investisseurs industriels ou des VCs.

Au-delà de cet accompagnement, il vous arrive également d’investir dans certaines sociétés, comme l’a révélé un récent panorama réalisé par mind Health…  

Nvidia investit en propre lorsqu’il y a vraiment un intérêt pour les deux parties. Nous aidons les start-up à construire le meilleur produit pour accéder à un marché et le transformer, ou pour accélérer le cycle d’innovation. Ce que nous attendons en retour est de savoir comment nous pouvons améliorer notre plateforme. Très souvent, les start-up n’ont pas de temps pour nous faire ce feedback. Si elles l’ont, cela nous incite à mettre en place un partenariat plus étroit.