Owkin, biotech spécialisée dans l’IA appliquée à la recherche médicale, dévoile aujourd’hui la publication de ses recherches dans Nature Medicine. Ces résultats démontrent pour la première fois que l’apprentissage fédéré peut être utilisé pour entraîner des modèles de deep learning sur des données d’histopathologie provenant simultanément de plusieurs hôpitaux, ces dernières restant à l’abri derrière les pare-feux des hôpitaux d'où elles proviennent.

Cette découverte ouvre la voie à une recherche médicale dont l’un des moteurs serait l'IA utilisant de plus grands ensembles de données multicentriques, permettant aux modèles d'échapper aux biais des études monocentriques. A terme, cela pourrait permettre de réaliser des percées dans la médecine de précision grâce à l'utilisation d'une IA sécurisée préservant la confidentialité et la gouvernance des données.

Dr Guillaume Bataillon, pathologiste à l'IUCT Oncopole de Toulouse affirme:

"Grâce à ce partenariat multidisciplinaire, nous avons pu vérifier la faisabilité d'une approche d'apprentissage fédérée collaborative inter-hospitalière sur une question médicale pertinente. Cela nous a permis de constituer rapidement un ensemble de données hétérogènes mises en commun de manière sécurisée afin de développer des modèles reproductibles, transférables et même interprétables. Cette preuve de concept a le potentiel de devenir un outil de décision thérapeutique."

Dr Camille Franchet, pathologiste à l'IUCT Oncopole de Toulouse conclut:

"En permettant d’entraîner des modèles d'IA multicentriques sans centralisation des données, l'apprentissage fédéré contourne l'un des principaux obstacles à l'apprentissage automatique sur des données médicales, sans faire de compromis concernant le respect des données personnelles."