Quand la FDA partage des exemples de travaux sur IA

De plus en plus utilisée pour la recherche et le développement de produits de santé par les industriels, l’intelligence artificielle (IA) est également étudiée par les agences réglementaires. À l’exemple de l’Agence américaine du médicament (Food and drug Administration FDA) : aussi bien pour réguler les produits qui lui seront présentés et qui intègrent de l’IA que pour ses propres opérations. Lors d’une conférence en ligne le 14 mai 2020, Weida Tong, directeur de la division Bioinformatique et biostatistique du Centre national pour la recherche toxicologique (National center for toxicological research, NCTR), a ainsi détaillé, pour le premier cas, la proposition de modifications du cadre réglementaire sur l’intelligence artificielle et du machine learning en tant que dispositifs médicaux logiciels (software as a medical device, SaMD) et les travaux pour l’utilisation de l’IA pour la sécurité des médicaments, des produits alimentaire, pour la génomique mais aussi pour la gestion documentaire de l’agence. Sur ce dernier point, il liste les projets en cours comme DeepReviewer qui vise à utiliser un système de question/réponse basé sur l’IA pour assister les activités de régulation des examinateurs, DeepLabel qui repose sur un système de recherche d’informations et de résumé de texte basé sur l’IA pour faciliter l’extraction des connaissances sur l’étiquetage, et DILI_BERT, un système de recherche d’informations et d’analyse des sentiments basé sur l’IA pour évaluer les lésions hépatiques d’origine médicamenteuse.

L’utlisation de biomarqueurs

Weida Tong a par ailleurs détaillé des travaux menés dans le cadre du consortium Microarray/sequencing quality control (MAQC/SEQC), initié en 2005 et qui vise à évaluer l’utilisation du machine learning pour l’élaboration de modèle prédictif et de biomarkers à partir de l’expression génique. Le directeur de la division Bioinformatique et biostatistique du NCTR a alors cité des exemples de biomarqueurs approuvés par la FDA pour un usage clinique : MammaPrint en 2007, “une signature de 70 gènes pour prédire prédire les métastases du cancer du sein chez les femmes atteintes d’un cancer du sein négatif au stade lymphatique de stade I-II dans 5 ou 10 ans”, le test Allomap en 2008, “un panel de 20 gènes pour surveiller les patients transplantés cardiaques pour le rejet d’organes cardiaques sur la base d’un échantillon de sang” et le test Pathwork Tissue of origin (2010) qui “mesure le modèle d’expression de plus de 2 000 gènes pour identifier l’origine d’une tumeur sur la base d’un échantillon de tissu”.

Le directeur de la division Bioinformatique et biostatistique du NCTR a également présenté les leçons apprises par le consortium dans l’utilisation des biomarqueurs et le développement de technologies d’IA et de machine learning et a partagé ses “tips” pour développer un modèle d’IA ou de machine learning fiable. D’abord, connaître les données et les critères, “toutes les données ne sont pas créées de façon égale”. Il cite la taille des bases de données, leur qualité et leur prévalence. Le deuxième conseil concerne le design de l’étude, et notamment de “conserver un dataset indépendant”. Concernant les méthodes d’IA et de machine learning : “systématiquement évaluer plusieurs méthodes et ne pas ignorer les méthodes simples”. Enfin, sur la performance des modèles, “au-delà des statistiques : prêter attention à l’interprétabilité, la reproductibilité et l’applicabilité”.