Moins gourmande en ressources et en données que l'intelligence artificielle traditionnelle, la modélisation parcimonieuse peut être embarquée avantageusement sur des modules processeurs, pour répondre, en particulier, aux besoins des applications de détection de maladies rares.

Par Zeljko Loncaric, ingénieur marketing chez Congatec AG

L'intelligence artificielle (IA) a un gros potentiel pour améliorer la performance et la précision d’un diagnostic d'imagerie médicale. Mais les approches classiques de l'IA présentent certains inconvénients :

• L'apprentissage profond basé sur la vision doit traiter chaque détail d'une image pour pouvoir fournir des résultats fiables. C'est une activité qui exige beaucoup de puissance et de calcul.
• L'IA conventionnelle a besoin d'une grande quantité d'images classifiées pour faire des prévisions fiables. Cela réclame également beaucoup de temps et d'énergie.
• Dans la vraie vie, les données de formation nécessaires ne sont pas disponibles en quelques jours ou semaines. La collecte d'images de milliers de patients peut prendre des années.
• L'IA conventionnelle a toujours besoin d'une formation de niveau serveur par apprentissage profond avant de pouvoir compiler un algorithme d'inférence capable de prendre des décisions d'ordre médical.
• L'intégration de l'IA via une logique d'inférence dans les systèmes embarqués des dispositifs médicaux exige des performances plus élevées. Les systèmes embarqués qui n'ont pas de marge supplémentaire pour leur enveloppe thermique risquent de perdre de leur longévité avec l'IA.

50 images au lieu de 1000

La modélisation parcimonieuse, traduction de Sparse Modelling, offre une approche différente et une voie plus large pour intégrer l'IA dans les applications médicales basse consommation. En substance, la modélisation ne concerne que les données axées sur l'identification de caractéristiques uniques. Il s'agit d'interpréter les données comme le fait notre cerveau, de façon globale, plutôt que d'examiner chaque cheveu et chaque millimètre d'une personne. Il se base en effet sur des caractéristiques clés, comme les yeux ou les oreilles pour reconnaître des amis ou des parents. Le Sparse Modeling intègre une logique comparable dans les systèmes de vision intelligents.

Lorsqu'on présente de nouvelles données, la modélisation parcimonieuse recherche l'occurrence de caractéristiques clés déterminées précédemment pour faire des prédictions, plutôt que d'analyser l'ensemble de la nouvelle entrée. Un avantage inhérent à cette approche est que les caractéristiques isolées sont compréhensibles par les humains. Cela se traduit par une IA de type "boîte blanche" explicable, contrairement à l'IA classique. Et pour développer un nouveau modèle d'inférence standard, la modélisation parcimonieuse n'a besoin que d'environ 50 images pour le modèle initial, à comparer aux 1 000 images ou plus nécessaires pour l'IA classique.

Une étude a été menée avec un ensemble de données de 1 000 images pour faire des prédictions. La précision acceptable des prédictions du modèle a été définie à 90 %. Si l'IA classique et la modélisation parcimonieuse ont toutes deux produit des résultats comparables, en atteignant le même niveau de précision, l'effort requis différait sensiblement : le modèle basé sur le Sparse Modeling a été formé 5 fois plus rapidement et n'a consommé que 1 % de l'énergie nécessaire à l'apprentissage profond.

Une IA embarquable

D'un point de vue matériel, un système de modélisation parcimonieuse est très léger et économe en ressources. Il peut fonctionner sur des plates-formes informatiques x86 embarquées et est prêt à être mis en œuvre sur des plates-formes telles que Xilinx et ARM ou Altera et RISC-V. Toutefois, comme l'empreinte finale dépend entièrement de la tâche et de la complexité du modèle requis, il est recommandé d'utiliser une plate-forme matérielle modulaire basée sur des Computer-on-Modules prenant en charge l'ingénierie en boucle fermée et servant les deux variantes de processeur.

Les premières applications médicales du Sparse Modeling concernent, par exemple, la détection de maladies rares qui ne produit pas tout le Big Data nécessaire à un modèle IA basé sur l'apprentissage profond. Cette nouvelle approche est aussi avantageuse dans le médical car l'informatique embarquée dans les dispositifs fournit désormais une puissance de calcul suffisante pour effectuer des inférences et des apprentissages en parallèle. Cela évite également d'avoir à envoyer des données dans le cloud, ce qui est souvent impossible pour des raisons de confidentialité et/ou de connectivité limitée.

www.congatec.com