INTELLIGENCE ARTIFICIELLE : UN APPUI POUR LA MÉDECINE VÉTÉRINAIRE - La Semaine Vétérinaire n° 1899 du 14/05/2021
La Semaine Vétérinaire n° 1899 du 14/05/2021

E-SANTÉ

ANALYSE

Auteur(s) : TANIT HALFON

Avec le développement des méthodes d’intelligence artificielle, le praticien dispose de nouveaux outils qui faciliteront la gestion des situations et cas les plus complexes. Explications avec Pauline Ezanno, directrice de recherche à l’Inrae.

Vétérinaire et intelligence artificielle (IA), un duo gagnant ? À la lecture d’un récent article1 faisant un état des lieux des recherches à l’interface entre santé animale et IA, la réponse est oui. « L’IA correspond à un corpus de méthodes, qui vont être mobilisées pour mieux comprendre et faire face à des situations complexes, explique Pauline Ezanno, une des auteures de l’article, directrice de recherche à l’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (Inrae) au sein d’une unité mixte avec Oniris. Le process mis en jeu s’apparente à la démarche clinique du vétérinaire qui a aussi son propre corpus de méthodes et d’outils (connaissances, expériences, examens complémentaires, etc.). Mais la différence est que les méthodes d’IA ont la capacité d’appréhender des problématiques très complexes, dans lesquelles sont générées des données massives et hétérogènes, et de s’auto-améliorer avec l’apparition de nouvelles données ou connaissances. » Apprentissage automatique (machine learning), classification automatique, reconnaissance de formes, systèmes experts, représentation des connaissances, etc., les méthodes d’IA mobilisables pour traiter des questions de santé animale sont nombreuses et s’appuient souvent sur l’exploitation de bases de données.

Des données valorisées…

Grâce au développement de ces méthodes, à court terme, le panel de dispositifs disponibles pour le vétérinaire de terrain va s’enrichir. « Une partie de ces outils permettront de compléter l’information dont dispose le praticien : il s’agira d’outils de conseil. On peut imaginer par exemple le développement d’outils de cartographie évaluant le risque d’exposition aux tiques, qui seront nourris de données météo, de cas cliniques d’une région précise, etc., présente la chercheuse. En élevage, ces outils seront l’occasion de conseiller très finement les éleveurs sur leurs pratiques, notamment pour les maladies non réglementées2 : grâce à des modèles alimentés par de multiples données, dont celles propres à l’exploitation, on pourra se rapprocher au plus près de la réalité du terrain, et prédire les conséquences, par exemple économiques, d’un changement particulier de pratiques. »

Des outils au bénéfice de la téléexpertise lui semblent aussi un axe de développement prometteur, du fait du manque d’experts vétérinaires pour satisfaire la demande. Ils concernent par exemple le domaine de l’imagerie médicale. En médecine humaine, grâce aux méthodes d’IA ont déjà été développées des solutions de lecture d’images radiographiques, d’IRM, etc., qui s’avèrent aussi efficaces, voire plus performantes que les experts pour certaines maladies. De manière générale, ces outils « experts » aideront au diagnostic du vétérinaire, directement au chevet du patient. Enfin, tout un pan des dispositifs utilisant l’IA permettrait de détecter plus précocement un trouble de santé, en identifiant des « patterns » particuliers à partir d’un jeu de plusieurs types de données collectées en routine sur l’animal.

… à condition d’y avoir accès !

À terme, avec les progrès techniques seront disponibles des dispositifs encore plus pertinents, telles des formules d’aide au conseil pour les vétérinaires qui interconnecteraient des méthodes d’apprentissage automatique avec des méthodes de simulation3. Les premières permettent de détecter précocement des troubles de santé ; les secondes d’anticiper, et donc de raisonner, le devenir du système sous les différents scénarios d’intervention envisageables.

Pourtant tous ces développements ne sont possibles que si les données sont accessibles pour construire et alimenter les modèles. En France, la situation reste compliquée, explique la chercheuse, excepté pour des domaines bien particuliers comme la filière porcine où les données sont centralisées. « Il faudrait a minima que les milieux académiques aient accès à ces données afin que l’on développe des outils les plus pertinents possibles, souligne-t-elle. L’enjeu est aussi de faciliter l’accès aux données in situ, pour nourrir les outils utilisés sur le terrain. » Le problème est qu’aujourd’hui « on se heurte toujours à des questions sur la propriété des données. Les données sont aussi très hétérogènes, et il faut donc développer des méthodes pour les rendre interopérables, c’est-à-dire mobilisables simultanément dans un même outil. » Ce manque d’accessibilité lui apparaît comme le principal point de blocage au développement de techniques d’IA utiles à la santé animale, bien plus que les problématiques de méthodologies qui, elles, évoluent vite. D’autres freins sont aussi identifiés : « Quelle sera l’acceptabilité de ces nouveaux outils par les vétérinaires ? », se demande la chercheuse. Pour éviter les rejets, une solution est de construire des outils en collaboration avec eux, « mais c’est compliqué car cela leur demande du temps, et le bénéfice n’est pas immédiat ». Intervenir dans la formation initiale est aussi un axe à envisager, mais pour l’instant c’est encore balbutiant. L’enjeu est de taille : il s’agit de faire comprendre les avantages et les limites des méthodes d’IA et des outils associés, en clair de développer l’esprit critique des vétérinaires vis-à-vis de ces techniques pour un meilleur usage sur le terrain. Autre frein, et pas des moindres, le manque de « cerveaux » : les équipes travaillant sur l’IA et la santé animale dans le milieu académique sont, en effet, loin d’être assez nombreuses pour répondre aux besoins actuels de la recherche et du terrain.

1. Ezanno P., Picault S., Winter N. et coll., Intelligence artificielle et santé animale, Inra Productions Animales, 2020;33(2):95-108. www.bit.ly/2SuezAU

2. Ce genre d’outils existent déjà mais ils sont encore rarement mobilisés.

3. Cela s’apparente à de la modélisation « en temps réel », nourrie des données de terrain au fil de l’eau via les méthodes d’apprentissage.

Des développements sont déjà en cours.

Abonné à La Semaine Vétérinaire, retrouvez
votre revue dans l'application Le Point Vétérinaire.fr