A Systematic Review of Deep Learning Algorithms for the Early Detection of Chronic Disease

Les maladies chroniques comme le cancer, l'insuffisance cardiaque, le diabète et les pathologies hépatiques sont les principales causes de décès et d'invalidité dans le monde. Elles se développent lentement au fil du temps, cachant souvent leur présence jusqu'à ce qu'elles aient causé des dommages importants. Parce que le dépistage précoce de ces maladies peut sauver des vies et réduire la souffrance, les médecins et les scientifiques cherchent constamment de meilleures façons de les repérer avant l'apparition des symptômes. Ces dernières années, une branche de l'informatique appelée apprentissage profond (deep learning) est apparue comme un outil puissant pour cette tâche. Contrairement aux anciens programmes informatiques qui nécessitaient que des humains leur enseignent manuellement quoi chercher, les systèmes d'apprentissage profond peuvent s'enseigner à eux-mêmes. Ils font cela en étudiant de vastes quantités d'informations, telles que des images médicales, des résultats d'analyses de sang ou des enregistrements de rythmes cardiaques, et en apprenant à reconnaître des motifs subtils que l'œil humain pourrait manquer. Cette capacité à trouver des signaux cachés dans des données complexes offre un nouvel espoque pour prédire les maladies bien avant qu'elles ne deviennent critiques.

Une équipe de chercheurs de l'Université de technologie de l'ingénierie de Chittagong, au Bangladesh, s'est donné pour mission de comprendre exactement jusqu'où cette technologie est arrivée. Ils n'ont pas mené une nouvelle expérience, mais ont plutôt effectué une recherche massive et organisée à travers des milliers d'études scientifiques existantes pour voir ce qui a déjà été découvert. En suivant un ensemble strict de règles utilisées pour garantir l'équité et l'exactitude des revues scientifiques, ils ont passé au crible des centaines d'articles publiés entre 2018 et 2026. À partir d'un groupe initial de 800 études, ils ont soigneusement sélectionné 55 rapports de haute qualité qui se concentraient spécifiquement sur l'utilisation de l'apprentissage profond pour la détection précoce des maladies chroniques. Leur objectif était de cartographier le paysage de la recherche actuelle, en identifiant quels modèles informatiques fonctionnent le mieux, quelles données ils utilisent et là où la technologie rencontre encore des difficultés.

Les chercheurs ont constaté que les modèles informatiques les plus performants dépendent fortement du type de données qu'ils analysent. Lorsque la tâche implique l'examen d'images, telles que des radiographies, des scanners IRM ou des images microscopiques de tissus, un type spécifique de modèle d'apprentissage profond appelé Réseau de neurones convolutifs (Convolutional Neural Network) est le leader incontesté. Ces systèmes excellent dans la détection des formes, des textures et des limites au sein des images. Dans les études portant sur le cancer, particulièrement le cancer du sein et le cancer de la peau, ces modèles axés sur l'image ont obtenu des succès remarquables, certains atteignant des taux de précision aussi élevés que 99,5 %. Par exemple, une étude a utilisé un modèle pour analyser des milliers d'images de tissus mammaires et a correctement identifié le cancer dans presque tous les cas, tandis qu'un autre système a distingué différents types de tumeurs cutanées avec une précision similaire. Ces modèles deviennent si performants qu'ils peuvent parfois voir des détails invisibles à l'œil nu, offrant un second avis puissant aux pathologistes.

Cependant, toutes les données médicales ne se présentent pas sous forme d'images. Certaines informations, comme les battements de cœur, les ondes cérébrales ou l'historique médical d'un patient sur de nombreuses années, arrivent sous la forme d'une séquence de nombres changeant au fil du temps. Pour ces types de données, des architectures informatiques différentes sont requises. La revue a souligné que les modèles conçus pour mémoriser les informations passées, tels que les réseaux de mémoire à court terme et à long terme (Long Short-Term Memory), sont particulièrement efficaces pour les maladies cardiaques et le diabète. Ces systèmes peuvent suivre l'évolution de l'état d'un patient, repérant des tendances dangereuses dans le rythme cardiaque ou les niveaux de glycémie qu'un instantané unique ne manquerait pas. Dans la prédiction des maladies cardiaques, des modèles spécifiques comme l'HQNN ont atteint une précision de 99,8 %. De même, pour le diabète, de nouvelles approches combinant différents types d'apprentissage ont démontré la capacité de prévoir l'apparition de la maladie, une étude atteignant 75 % de précision pour prédire le début du diabète de type 2 sept ans à l'avance en utilisant des données allant de simples analyses de sang à des marqueurs génétiques complexes.

Malgré ces chiffres impressionnants, les chercheurs ont pris soin de préciser que la technologie n'est pas encore prête à remplacer les médecins dans chaque clinique. Un obstacle majeur est le manque de données de haute qualité et étiquetées. Pour apprendre à un ordinateur à reconnaître une maladie, les scientifiques ont besoin de milliers d'exemples dont la réponse est déjà connue, mais ces ensembles de données sont souvent petits, incomplets ou biaisés. De plus, ces systèmes informatiques puissants sont souvent des « boîtes noires », ce qui signifie qu'ils peuvent donner une réponse correcte sans expliquer pourquoi ils sont arrivés à cette conclusion. En médecine, connaître le raisonnement derrière un diagnostic est tout aussi important que le diagnostic lui-même. La revue a également noté que beaucoup des études les plus réussies ont été testées uniquement dans des environnements contrôlés ou sur des ensembles de données locaux spécifiques, et il reste incertain si elles fonctionneraient aussi bien dans différents hôpitaux ou avec différentes populations de patients.

Les auteurs concluent que, bien que l'apprentissage profond ait prouvé son potentiel pour révolutionner la détection précoce des maladies, des travaux importants restent à accomplir avant qu'il ne puisse être largement utilisé dans la pratique médicale quotidienne. La voie à suivre implique la création de collections de données médicales plus larges et plus diversifiées, ainsi que le développement de méthodes rendant ces modèles informatiques plus transparents et plus faciles à comprendre. La revue suggère que l'avenir réside dans les approches hybrides, où différents types de modèles sont combinés pour gérer simultanément les images et les données temporelles, et dans l'utilisation de l'intelligence artificielle explicable capable de dire précisément à un médecin ce qu'elle a vu pour prendre sa décision. Tant que ces défis ne seront pas relevés, l'apprentissage profond servira probablement au mieux d'assistant sophistiqué, aidant les professionnels de santé à repérer les signes les plus précoces des maladies chroniques et donnant aux patients une meilleure chance de mener une vie saine.