« L'intelligence artificielle et l'ECG » : différence entre les versions

== Introduction ==

L’intelligence artificielle (IA) est aujourd’hui omniprésente. Elle a déjà fait couler beaucoup d’encre car on l’imagine capable de concurrencer l’intelligence humaine avec une capacité à raisonner, à résoudre des énigmes, à porter des jugements, à planifier, à apprendre et à communiquer. Elle s’apparente en réalité aujourd’hui à une algorithmie évoluée capable de répondre de manière très précise à des problématiques bien définies. En rythmologie, les algorithmes de lecture d’ECG ou de gestion des alertes de télémétrie existent depuis longtemps avec des résultats imparfaits. Le développement de nouveaux algorithmes basés sur le machine learning et le deep learning est une révolution permettant de diminuer drastiquement le nombre d’erreurs, même s’ils sont difficilement explicables.

L’intelligence artificielle est définie par une machine qui simule l’intelligence humaine. Un simple thermostat entre dans le cadre de cette définition : il enclenche le chauffage seul de manière intelligente, il simule donc l’intelligence humaine. Les débuts de l’IA se situent dans les années 1950.

2 types d’IA existent :

Quelques années après la première description de l’IA naît le concept de machine learning qui est une machine capable d’apprendre seule d’après des exemples. Dans le language courant, lorsque nous parlons d’IA, nous pensons « machine learning ». Les réseaux neuronaux dont le deep learning (réseaux neuronaux constitués de plusieurs couches de neurones) sont une sous-catégorie de machine learning qui simule le fonctionnement des neurones. Cette technique s’est révélée être l’un des algorithmes les plus puissants de machine learning notamment dans la reconnaissance d’image ou la possibilité de battre le champion du monde au jeu de Go. (figure 1.)

Les réseaux de neurones simulent le fonctionnement d’un neurone humain : dans un neurone biologique, il y a plusieurs afférences provenant d’autres neurones et le neurone qui reçoit toutes ces informations va en faire la synthèse sous la forme d’une seule efférence : potentiel d’action ou son absence (réponse en 0 ou 1). Dans un neurone artificiel, le fonctionnement est similaire : il y a plusieurs afférences en 0 ou 1 qui vont être pondérées par un facteur p, si la somme de toutes ces afférences est supérieure à une valeur seuil w, alors l’efférence est 1 sinon elle est de 0. Un réseau de neurone est la somme de plusieurs couches de neurones. Le réseau de neurone profond ou « deep learning » est un réseau avec de nombreuses couches de neurones qui deviennent capables d’extraire les caractéristiques fondamentales permettant de reconnaitre un objet sans avoir expliqué à l’algorithme ces caractéristiques à l’algorithme. (L’algorithme trouve tout seul que pour reconnaitre un chat, il faut reconnaitre des oreilles pointues, un certain éloignement des yeux, un nez triangulaire…). (figure 2A) Les réseaux de neurones profonds sont devenus possibles depuis l’amélioration des capacités de calcul et l’explosion du big data vers 2010.<ref>David Louapre. Deep learning, science étonnante. 2016; Disponible sur: <nowiki>https://scienceetonnante.com/2016/04/08/le-deep-learning/</nowiki></ref>

Pour créer un algorithme de machine learning, il y a une phase d’apprentissage sur une base de données la plus large possible et annotée par l’humain (algorithme supervisé). Il y a ensuite une phase de prédiction sur une deuxième base de données également annotée par l’humain cette fois ci pour valider que l’algorithme et donner sa performance. L’algorithme peut alors être utilisé en situation réelle. (Figure 2B)

== L'IA en rythmologie ==

Liens d’intérêt : aucun

== Bibliographie ==