Le « machine learning » et l’ophtalmologie, une collaboration pour faire avancer la recherche
Et si la taille et la forme de nos vaisseaux sanguins étaient associés à un risque de maladie ? C’est à ce genre de questions que le Dr Mattia Tomasoni, expert en science des données (Data Science), tente de répondre dans sa recherche, sous la direction de la Dre Ciara Bergin.
Ce projet est la suite des travaux (analyse de données biomédicales à grande échelle) qu’il a menés sous la supervision du Prof. Sven Bergmann de l’Université de Lausanne (UNIL) afin d’obtenir son PhD en biologie computationnelle. Aujourd’hui, il cherche, entre autres, à améliorer notre compréhension de l’origine commune de maladies vasculaires.
Nous avons posé au Dr Mattia Tomasoni quelques questions pour en savoir plus sur le « machine learning » et son potentiel pour la recherche en ophtalmologie.
Comment rendre le « machine learning » utile pour l’ophtalmologie ?
Les images médicales peuvent être mesurées à l’aide des mathématiques et ainsi être « transformées » en chiffres. Accompagnées de leurs diagnostics, elles sont utilisées pour entraîner un algorithme (donc un ordinateur) qui pourra ensuite aider le médecin à prendre des décision cliniques. C’est ce qu’on appelle le « machine learning », qui peut être utilisé pour différents projets et avec toutes sortes d’images des yeux de patientes et patients (avec leur consentement, bien entendu!) que nous réalisons dans notre hôpital.
Première étape, nous avons développé un algorithme avec les ophtalmologues pour différencier les veines des artères. Comment? Grâce à notre collaboration avec la biobanque du Royaume-Uni, nous avons eu accès à plus de 170’000 images utiles à l’apprentissage de ce nouvel algorithme. Cette collection est complétée avec des images récoltées dans notre Hôpital. L’Institut de recherche de l’IDIAP (Martigny) avec qui nous travaillons, a demandé à des ophtalmologues de différencier les veines des artères par une couleur différente. Après avoir entraîné notre algorithme, ce dernier est aujourd’hui capable de différencier automatiquement ces deux types de vaisseaux.
Une fois cette étape de différenciation entre veines et artères automatisée, passons à la deuxième étape : nous déposons nos images dans un nouvel algorithme capable de les transformer en chiffres. Plus précisément, nous attribuons un nombre selon la tortuosité des veines et artères, c’est-à-dire leur tendance à suivre une trajectoire droite ou en zigzag.
« Une fois ce nombre obtenu, nous utilisons une méthode statistique qui permet d’étudier l’ADN et plus précisément les paires de base, nous explique Mattia Tomasoni. En utilisant la technologie de séquençage de l’ADN, nous regardons paire par paire et posons la question suivante : si je change cette paire de base, les artères ou les veines deviennent-elles plus ou moins tortueuses, dans la population examinée ? Nous obtenons alors de nombreuses statistiques qui nous permettrons d’identifier les gènes qui influencent le trait de tortuosité en particulier ». Cette approche est connue sous le nom de « Genome-wide Association Study ».
Une cohorte d’institutions et de métiers
En s’appuyant sur ces résultats, notre dernier projet bénéficiera de l’accès à un ensemble sans précédent de cohortes, notamment les études OphtalmoLaus et BrainLaus, le Rotterdam Study, auxquelles s’ajoutent les données des études SKIPOGH et Inselspital Studies, les registres PAD (maladie artérielle périphérique) du CHUV et de la biobanque du Royaume-Uni (UK Biobank). Ce projet pourra ainsi fournir une imagerie de la vascularisation rétinienne et non-rétinienne, complétée par des dossiers médicaux et des génotypes.
Cette étude bénéficie du financement du Fonds National Suisse (SINERGIA grant) qui a contribué à la création d’une équipe de plus de 10 personnes, y compris des stagiaires de l’EPFL, des post-doctorants, et des « junior data scientists ».
Comment se passe la collaboration avec la clinique ?
« Très naturellement ! sourit Mattia Tomasoni. Faire de la recherche directement avec des médecins m’aide à orienter mon travail sur des thématiques plus impactantes. Avant, j’utilisais des statistiques pour trouver des résultats en espérant que quelqu’un les trouve intéressantes et les utilise dans ses travaux, alors que, maintenant, je peux m’impliquer dans des projets utiles à la santé.
C’est très stimulant de mener une équipe telle que le groupe que nous avons constitué avec l’EPFL. Nous essayons de recruter des personnes spécialisées en science des données qui peuvent à la fois nous aider dans nos tâches quotidiennes mais aussi apporter leurs compétences spécifiques et nous enseigner de nouvelles choses. C’est très important de confronter les étudiantes et étudiants, et les spécialistes des données aux réalités du terrain, de la clinique. Vous pouvez être brillant techniquement, mais si vous ne pouvez pas expliquer ce que vous faites à un personne d’un domaine différent, vous ne pouvez aller nulle part ! Ainsi, le médecin n’est pas familier de la science des données (data science) et nous, nous ne comprenons presque rien à la médecine. Tout l’intérêt est de construire des ponts et de travailler ensemble pour améliorer le diagnostic et le traitement des maladies visuelles ».