HealthChain, les enseignements de l’apprentissage fédéré

L’apprentissage fédéré (federative learning) est une piste sérieuse pour transformer la recherche médicale. La plupart des projets d’intelligence artificielle repose sur la collecte massive de données pour construire des bases centralisées sur lesquelles les modèles seront entraînés, mais cette approche limite la possibilité de mener des projets collaboratifs, au vu des enjeux de confidentialité et de sécurité des données. L’apprentissage fédéré répond à ces défis, cette technique d’apprentissage automatique décentralisée permet de former des modèles avec plusieurs fournisseurs de données sans qu’aucun des acteurs n’ait besoin de déplacer ou de partager ses données. 

Les bénéfices de l’approche multicentrique

Le 19 janvier 2023, Nature Medicine a publié les résultats de recherche d’Owkin et de ses partenaires (le Centre Léon Bérard, l’Institut Curie, l’Institut Gustave Roussy et l’Institut Universitaire du Cancer de Toulouse) sur l’utilisation de l’apprentissage fédéré appliquée à des données médicales en conditions réelles. Jusqu’à présent, la plupart des études publiées simulaient l’apprentissage fédéré en distribuant artificiellement des données dans des faux centres. En s’appuyant sur les données pathologiques numériques et aux informations cliniques de 650 patientes conservées dans ces quatre hôpitaux, Owkin a construit des modèles d’intelligence artificielle (IA) capables de générer une prédiction de la réponse future des patientes atteintes d’un cancer du sein triple négatif (TNBC) à une chimiothérapie néoadjuvante. En utilisant une intelligence artificielle interprétable pour extraire des informations de lames de pathologie numérique, l’entreprise franco-américaine a pu mettre en exergue de nouveaux biomarqueurs potentiels. Cette découverte pourrait améliorer la personnalisation des soins médicaux en aidant à orienter les patients vers de nouveaux traitements ou des traitements plus adaptés.