BrAIN — Intelligence Artificielle et Neurosciences

L'intelligence artificielle (IA), avec les progrès récents de l'apprentissage statistique (Machine Learning ou ML en anglais), vise actuellement à révolutionner la façon dont la science expérimentale est menée. En physique, en chimie, en biologie, en neurosciences ou en médecine, les données sont maintenant le moteur de nouvelles intuitions théoriques et de nouvelles hypothèses scientifiques. L'apprentissage supervisé et les modèles prédictifs sont maintenant utilisés pour évaluer si quelque chose est "prévisible" : Puis-je prédire ce que les gens "pensent" à partir de signaux neuronaux ? Puis-je prédire l'apparition d'un cancer chez un patient à partir de son ADN ? Le ML est maintenant utilisé en remplacement des tests d'hypothèses statistiques classiques. Dans le domaine de la santé, on parle de médecine de précision et de patients virtuels, avec la vision que l'IA permettra d'avoir des prédictions individualisées à partir de données génomiques, physiologiques ou d'imagerie. Après des premières percées spectaculaires dans les domaines de la vision par ordinateur, du traitement de la parole ou du traitement du langage naturel, le ML doit maintenant relever de nouveaux défis afin d'avoir un impact sur diverses disciplines scientifiques et en particulier pour les applications liées à la santé. Lorsque l'on considère de telles applications, des problèmes statistiques et informatiques apparaissent. i) Le premier problème est lié aux limitations ou à l'absence de supervision des algorithmes : les modèles prédictifs supervisés ont besoin de grandes quantités de données annotées pour être entrainés et testés. Malheureusement trop peu d'applications médicales peuvent en fournir dans une quantité suffisante. ii) Le second problème est lié à ce que l'on peut appeler la variabilité de l'ensemble de données d'apprentissage ou, en termes plus statistiques, aux changements de distribution ou de covariables. Ce qu'on a appelé en vision par ordinateur le problème du "biais de la base d'apprentissage" implique dans un contexte médical que l'entrainement sur les données d'un hôpital est susceptible de fournir une prédiction moins puissante lorsque le modèle est testé sur les données d'autres hôpitaux. iii) Le troisième problème est lié à la difficulté d'amener les outils de l'état de l'art dans un environnement qui n'est pas dominé par les informaticiens mais par les biologistes, les neuroscientifiques, les psychologues, les médecins. BrAIN fournira la prochaine génération de modèles et d'algorithmes de ML pour un apprentissage statistique efficace en l'absence d'annotations précises et d' échantillons de grande taille. BrAIN s'appuiera sur des cas d'utilisation définis en neurosciences cliniques et cognitives (anesthésie, troubles de la conscience, médecine du sommeil) pour relever les défis plus généraux du ML: 1) l'étude de diverses tâches d'apprentissage auto-supervisées pour apprendre sans annotations à partir de données temporelles longues et bruitées, 2) apprendre à augmenter les données et la taille des échantillons, 3) apprendre en présence de changements de distribution, 4) développement d'algorithmes efficaces et faciles à utiliser par des non-experts.