Engineering FAIR Privacy-preserving Applications that Learn Histories of Disease

Ce projet démontre la faisabilité de déployer des applications de génie logiciel respectant les principes FAIR et la confidentialité des données en exécutant des modèles d'IA générative pour l'histoire naturelle des maladies directement dans le navigateur, sans téléchargement ni installation.

L'essentiel

🏥 Le Problème : La Consultation Médicale "Téléphonée"

Imaginez que vous voulez prédire votre avenir médical (quelles maladies pourraient vous toucher et quand). Pour le faire, les médecins utilisent des super-ordinateurs très intelligents, appelés IA Générative (comme le modèle "Delphi 2M" mentionné dans l'article).

Le problème actuel :
Habituellement, pour utiliser ce super-ordinateur, vous devez envoyer vos dossiers médicaux secrets (vos "histoires de vie") vers un serveur central dans le cloud. C'est comme si vous deviez envoyer votre journal intime par la poste à un inconnu pour qu'il le lise et vous donne un conseil. C'est risqué pour la vie privée et cela pose des problèmes de sécurité.

🚀 La Solution : Le "Super-Ordinateur de Poche"

L'équipe de chercheurs (Inês, Praphulla et leurs collègues) a eu une idée géniale : Et si on apportait le super-ordinateur chez vous, directement dans votre navigateur web, sans jamais envoyer vos données ?

C'est comme si, au lieu d'envoyer votre journal intime à un expert, vous receviez une boîte magique chez vous. Vous ouvrez la boîte, vous y mettez vos informations, et la boîte vous donne le résultat. Personne d'autre ne voit ce qu'il y a dedans.

🛠️ Comment ont-ils fait ? (Les 3 Ingénieurs Magiques)

Pour réaliser ce tour de force, ils ont utilisé trois outils clés, que l'on peut comparer à des outils de construction :

1. Le Traducteur Universel (ONNX) :

   • L'analogie : Imaginez que le modèle d'IA a été construit en "Lego" (PyTorch), mais votre navigateur web ne parle pas la langue des Lego. Il faut un traducteur.
   • La réalité : Ils ont converti le modèle d'IA dans un format standard appelé ONNX. C'est comme un "langage universel" que n'importe quel ordinateur (ou navigateur web) peut comprendre, peu importe comment il a été construit à l'origine.

2. Le Moteur de Course (WebAssembly) :

   • L'analogie : Les navigateurs web sont souvent lents pour faire des calculs complexes. C'est comme essayer de conduire une Formule 1 avec des pneus de vélo.
   • La réalité : Ils ont utilisé une technologie appelée WebAssembly. C'est comme changer les pneus de votre Formule 1 pour des pneus de course ultra-rapides. Cela permet au modèle d'IA de tourner dans votre navigateur à une vitesse quasi-native, aussi vite que sur un gros serveur.

3. Le Chef d'Orchestre (Le SDK JavaScript) :

   • L'analogie : Le moteur est prêt, mais il faut quelqu'un pour dire au moteur quoi faire avec vos données.
   • La réalité : Ils ont créé un petit programme (une "boîte à outils" ou SDK) qui prend vos données médicales, les prépare, les donne au modèle, et traduit le résultat complexe en une histoire simple que vous pouvez lire : "Voici les événements de santé probables pour les prochaines années."

🎮 Le Résultat : L'Application "Delphi"

Le résultat est une application web (un site internet) que vous pouvez ouvrir sans rien installer.

• Ce que vous voyez : Une ligne du temps de votre santé. Vous entrez vos événements passés (ex: "J'ai eu une allergie à 10 ans, une grippe à 20 ans").
• Ce que l'application fait : Elle utilise le modèle d'IA directement dans votre ordinateur pour prédire le futur (ex: "Il y a 30% de risque d'un problème cardiaque vers 55 ans").
• La sécurité : Tout se passe localement. Aucune donnée ne quitte votre ordinateur. C'est comme si vous faisiez un calcul mathématique complexe sur une calculatrice de poche : le résultat reste dans votre main.

🌟 Pourquoi c'est important ? (Les Principes FAIR)

Les chercheurs parlent de principes "FAIR" (Trouvable, Accessible, Interopérable, Réutilisable).

• Réutilisable : Ils ont pris un modèle complexe conçu pour des chercheurs et l'ont rendu utilisable par n'importe qui, n'importe où.
• Interopérable : Grâce au "traducteur" (ONNX), le modèle fonctionne partout, pas seulement sur les machines des chercheurs.

⚠️ Une petite limite à connaître

L'article admet honnêtement que ce modèle est une maquette (un prototype).

• Il a été entraîné sur des données "fictives" (synthétiques) pour tester la technologie.
• Pour être vraiment utile en médecine réelle, il faudra un jour l'entraîner sur des millions de vrais dossiers médicaux, mais toujours en respectant la vie privée grâce à cette méthode.

En résumé

Ce papier nous dit : "Nous avons réussi à mettre un cerveau d'IA puissant dans votre navigateur web, sans jamais voler vos secrets." C'est une nouvelle façon de faire de la médecine personnalisée où vous gardez le contrôle total de vos données, comme si vous gardiez vos clés sur vous au lieu de les donner à un gardien.

Résumé technique

1. Problématique

L'article aborde le défi critique de l'application des modèles d'intelligence artificielle générative (en particulier les transformateurs) dans le domaine de la santé, où la confidentialité des données est primordiale.

• Contrainte de confidentialité : Les modèles prédictifs de trajectoires de santé (comme Delphi 2M) nécessitent traditionnellement l'envoi de dossiers médicaux électroniques sensibles vers des serveurs cloud centralisés pour l'inférence. Cela soulève d'importants problèmes éthiques, réglementaires et de gouvernance des données.
• Barrières d'accès : La complexité de déploiement et la nécessité d'installer des environnements spécifiques limitent l'accessibilité de ces outils pour les utilisateurs finaux et les cliniciens.
• Objectif : Développer une application capable d'exécuter l'inférence du modèle entièrement côté client (dans le navigateur web), éliminant ainsi tout transfert de données sensibles vers un serveur.

2. Méthodologie

L'équipe a conçu une architecture logicielle permettant de migrer un modèle PyTorch existant vers un environnement JavaScript navigateur, en respectant les principes FAIR (Findability, Accessibility, Interoperability, Reusability), et plus spécifiquement l'interopérabilité et la réutilisabilité.

• Conversion du modèle (PyTorch vers ONNX) :
  • Le modèle Delphi 2M (une architecture GPT personnalisée entraînée sur des données synthétiques de 7 144 patients) a été exporté du framework PyTorch vers le format ONNX (Open Neural Network Exchange).
  • ONNX agit comme un format d'échange universel, découplant le modèle de son environnement d'entraînement original et permettant son exécution dans divers runtime.
• Exécution côté client (WebAssembly et WebGPU) :
  • Le runtime ONNX a été compilé en WebAssembly (Wasm) pour permettre l'exécution de calculs complexes à des vitesses proches du natif dans le navigateur.
  • L'architecture supporte également l'accélération matérielle via WebGPU lorsque disponible.
• Développement d'un SDK JavaScript personnalisé :
  • Une bibliothèque JavaScript a été créée pour gérer l'interaction avec le runtime ONNX.
  • Fonctionnement du SDK :
    1. Chargement du modèle ONNX.
    2. Prétraitement : Conversion des entrées utilisateur (séquences d'événements médicaux ICD-10, âge) en tenseurs numériques structurés.
    3. Inférence itérative : La fonction generateTrajectory utilise un échantillonnage « temps-à-événement » basé sur une formule mathématique ($t_{next} = -e^{\text{logits}} \cdot \ln(u)$) pour prédire le prochain événement médical et le temps écoulé.
    4. Post-traitement : Conversion des sorties brutes (logits) en estimations de risque de morbidité lisibles (événements et âges).
• Interface Utilisateur : Une application web (hébergée sur ObservableHQ) a été développée pour visualiser les trajectoires de santé en temps réel sans communication serveur pour l'inférence.

3. Contributions Clés

• Preuve de concept d'inférence privée : Démonstration réussie qu'un modèle génératif complexe de santé peut fonctionner entièrement dans un navigateur web, garantissant que les données de santé ne quittent jamais l'appareil de l'utilisateur.
• Adoption des principes FAIR : L'application améliore spécifiquement l'Interopérabilité (I) via le format ONNX et la Réutilisabilité (R) en rendant le pipeline d'inférence accessible sans installation logicielle ni upload de données.
• Architecture de référence : Établissement d'un modèle architectural (« blueprint ») pour le déploiement sécurisé de l'IA générative dans des domaines sensibles, combinant ONNX, WebAssembly et un SDK dédié.
• Outils Open Source : Mise à disposition publique de l'application web, du SDK JavaScript (delphi-onnx) et des notebooks de test pour la communauté scientifique.

4. Résultats

• Fonctionnalité : L'application permet aux utilisateurs de saisir une trajectoire de santé historique (ex: codes ICD-10) et reçoit instantanément une projection de trajectoires futures générée localement.
• Performance : L'utilisation de WebAssembly et de WebGPU permet une exécution efficace sur une variété de plateformes, des appareils mobiles aux ordinateurs de bureau accélérés par GPU.
• Sécurité : Aucune donnée de santé n'est transmise sur le réseau pour le calcul de l'inférence, respectant ainsi les normes strictes de gouvernance des données.
• Limitations actuelles : La précision prédictive du prototype est limitée car le modèle a été entraîné uniquement sur un sous-ensemble de données synthétiques (7 144 patients) plutôt que sur l'ensemble complet de données réelles (400 000 trajectoires) utilisé dans l'article original.

5. Signification et Perspectives

Ce travail constitue une avancée majeure pour la souveraineté des données dans le domaine de la santé numérique.

• Impact Éthique et Réglementaire : En déplaçant la frontière computationnelle vers le dispositif de l'utilisateur, l'approche élimine les risques de fuites de données lors du transfert vers le cloud, alignant l'IA médicale sur les exigences de confidentialité les plus strictes.
• Futur de l'IA Médicale : Cela ouvre la voie à des applications de santé personnalisées accessibles à tous, sans barrières techniques.
• Évolutions futures : Les auteurs envisagent d'intégrer des techniques d'apprentissage fédéré ou de fine-tuning côté client pour permettre au modèle de s'améliorer avec les données réelles tout en maintenant la confidentialité absolue des données utilisateurs.

En conclusion, cet article valide la faisabilité technique de déployer des modèles d'IA générative puissants dans des environnements contraints et sensibles, en transformant une architecture centralisée en une solution décentralisée, sécurisée et FAIR.