L'intelligence artificielle verte pour automatiser le diagnostic médical avec une faible consommation d'énergie

Green artificial intelligence to automate medical diagnosis with low energy consumption

• Auteur / Autrice : John Anderson García Henao
• Direction : Michel Riveill, Pascal Staccini
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 06/01/2021
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Sophia Antipolis, Alpes-Maritimes)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes) - Laboratoire Informatique, signaux et systèmes (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Fabrice Huet
• Jury : Examinateurs / Examinatrices : Michel Riveill, Pascal Staccini, Fabrice Huet, Frédéric Le Mouël, Yves Denneulin
• Jury : Rapporteurs / Rapporteuses : Frédéric Le Mouël, Yves Denneulin

Mots clés

Mots clés contrôlés

Intelligence artificielle en médecine

Réseaux neuronaux (informatique)

Apprentissage automatique

Mots clés libres

Modèles de prédiction clinique

Apprentissage par représentation

Réseaux neuronaux profonds distribués

Informatique verte

Clinical prediction models

Representation learning

Deep neural networks

Green computing

Résumé

L'automatisation de la modélisation basée sur les données pour le diagnostic médical peut soutenir le processus de décision clinique et accroître l'efficacité de la prestation des soins de santé dans les établissements cliniques. Tant les médecins que les patients en tireront profit, soit par la détection d'événements critiques, soit par l'émergence d'une médecine personnalisée, soit encore par une meilleure définition des parcours de soins. Cependant, malgré le fait que les algorithmes d'apprentissage profond (DL) ont montré une grande précision et de bonnes performances dans différentes catégories cliniques, très peu ont été intégrés dans des systèmes médicaux intelligents. Ce type de systèmes va au-delà du processus de modélisation et nécessite l'intégration de l'innovation technique et scientifique dans le contexte d'un cadre clinique, en résolvant divers problèmes techniques et de recherche pour offrir des solutions réelles au niveau de l'hôpital. Certains des obstacles les plus courants dans le contexte réel sont liés à la confidentialité des données et à l'interopérabilité; à la représentation des patients et à l'apprentissage multitâche; aux méthodes distribuées pour accélérer les modèles de formation et à l'utilisation efficace des ressources informatiques disponibles dans les hôpitaux.Cette thèse propose un cadre modulaire d'apprentissage approfondi optimisé pour le diagnostic médical afin de créer des solutions portables et évolutives sur des systèmes hétérogènes. Ces modules comprennent des méthodes d'apprentissage approfondi basées sur les données, l'apprentissage par représentation et l'apprentissage approfondi distribué afin de développer un modèle de prédiction des risques avec des résultats cliniques tels que les admissions à l'hôpital, la durée du séjour et la mortalité. Dans ce contexte où les données proviennent de sources hétérogènes et nécessitent un calcul intensif pour être collectées et statistiquement significatives, les principales contributions de cette thèse de recherche ont été divisées en deux volets: le premier volet vise à mettre en œuvre des architectures neuronales non supervisées pour dériver une représentation générale latente des patients à partir de dossiers de santé électroniques (EHRs) pouvant être appliqués à différentes tâches cliniques, et à harmoniser les HERs hétérogènes sur la base du format Fast Healthcare Interoperability Resources, ce qui permet de reproduire l'extensibilité des modèles construits à partir des HERs de l'hôpital A dans un hôpital B avec différents formats de systèmes d'information sur les soins de santé.Le deuxième volet vise à accélérer le processus de formation et le réglage des hyperparamètres afin de déterminer un modèle de généralisation optimal pour une tâche médicale spécifique en utilisant un mini-groupe de nœuds. La principale approche a consisté en un ensemble de modes de calcul de gradient permettant d'adapter le réseau neuronal en fonction de la capacité de mémoire, du nombre de nœuds utilisés, de la méthode de coordination entre les nœuds et du protocole de communication inter-nœuds disponible.Nous avons mené différentes expériences en utilisant des descripteurs cliniques recueillis au cours de la première semaine de séjour des patients à l'hôpital dans la région PACA ou en utilisant de courts enregistrements ECGs obtenus dans le cadre du défi PhysioNet 2017. Ces expériences nous ont permis d'évaluer les performances en termes de précision, de temps de convergence et d'évolutivité du cadre que nous proposons. Ce cadre, disponible en open-source, est appelé DiagnoseNET pour le diagnostic médical. Il automatise en une seule API la définition de l'architecture neurale, la recherche d'hyperparamètres, la distribution des données sur les différents nœuds de calcul ainsi que la définition des lots de traitement. Son moteur d'exécution est chargé d'orchestrer les calculs de gradient sur les différents nœuds selon différentes stratégies de coopération.

Automation of data-driven models for medical diagnosis can support the clinical decision process and increase the efficiency of healthcare delivery in clinical settings. Both clinicians and patients will benefit from personalized medicine by detecting critical events and defining new care pathways. However, although deep learning (DL) algorithms have shown high accuracy and exemplary performance in different clinical categories, very few have been integrated into intelligent medical systems. This type of system goes beyond the modeling process. It requires integrating technical and scientific innovation in a clinical setting, solving various technical and research problems to offer real solutions at the hospital level. Some of the most common barriers in the actual clinical setting are data privacy and interoperability, patient representation and multitask learning, the distributed methods to speed up the training models, and the efficient use of the computational resources available in hospitals.This thesis proposes a modular deep learning framework optimized for medical diagnosis to create portable and scalable solutions over heterogeneous systems. The modules include data-driven representation learning and distributed deep learning methods to develop risk prediction models whit clinical outcomes such as hospital admissions, length of stay, and mortality. In this context in which the data comes from heterogeneous sources and requires intensive computing to gather and be statistically significant, the main contributions of this research thesis were divided into two components. The first component focuses on implementing unsupervised neural architectures to derive a general latent representation of the patients from electronic health records (EHRs) and apply it to different clinical tasks. The heterogeneous EHRs harmonization was based on the Fast Healthcare Interoperability Resources (FHIR) format, allowing model scalability built from EHRs of the hospital A to be replicated in hospital B with different information healthcare system formats.On the other side, the second component accelerates the training process and hyperparameter search to determine an optimal generalization model for a specific medical task using a mini-cluster of Jetson TX2 nodes. The primary approach has been a set of gradient computation modes that adapts the neural network according to the memory capacity, the number of nodes used, the coordination method between nodes, and the available inter-node communication protocol (e.g., GRPC or MPI).We conducted different experiments using clinical descriptors collected during the first week of hospital stays of patients in the PACA region and using short ECG recordings of 30 to 60 seconds, obtained as part of the PhysioNet 2017 challenge. These experiments allowed us to evaluate the accuracy, convergence time, and scalability of our proposed framework. This framework, available in open-source, is called DiagnoseNET for medical diagnosis. It automates the definition of the neural architecture, the search for hyperparameters, the distribution of data on the different compute nodes, and the purpose of treatment batches in a single API. Furthermore, its execution engine orchestrates the gradient computation on the various nodes according to different cooperation strategies.