Il s'agit de la troisième caractéristique d'une série en six parties qui examine comment l'IA modifie la recherche et les traitements médicaux.
Le cancer de l'ovaire est rare, sous-financé et mortel », déclare Audra Moran, responsable de l'Ovarian Cancer Research Alliance (Ocra), un organisme de bienfaisance mondial basé à New York.
Comme tous les cancers, le plus tôt il est détecté le mieux.
La plupart des cancers de l'ovaire commencent dans les trompes de Fallope, de sorte qu'au moment où il arrive aux ovaires, il peut déjà s'être répandu ailleurs aussi.
« Cinq ans avant d'avoir un symptôme, c'est quand vous pourriez devoir détecter le cancer de l'ovaire, pour influer sur la mortalité », explique Mme Moran.
Mais de nouveaux tests sanguins émergent qui utilisent le pouvoir de l'intelligence artificielle (IA) pour repérer des signes du cancer dans ses premiers stades.
Et ce n'est pas seulement le cancer, l'IA peut aussi accélérer d'autres tests sanguins pour des infections potentiellement mortelles comme la pneumonie.
Le Dr Daniel Heller est ingénieur biomédical au Memorial Sloan Kettering Cancer Center à New York.
Son équipe a développé une technologie d'essai qui utilise des nanotubes - de minuscules tubes de carbone qui sont environ 50 000 fois plus petits que le diamètre d'un cheveu humain.
Il y a environ 20 ans, les scientifiques ont commencé à découvrir des nanotubes qui peuvent émettre de la lumière fluorescente.
Au cours de la dernière décennie, les chercheurs ont appris à modifier les propriétés de ces nanotubes afin qu'ils réagissent à presque n'importe quoi dans le sang.
Maintenant, il est possible de mettre des millions de nanotubes dans un échantillon sanguin et de les faire émettre différentes longueurs d'onde de lumière en fonction de ce qui leur colle.
Mais cela laisse encore la question de l'interprétation du signal, que le Dr Heller aime à trouver une correspondance pour une empreinte digitale.
Dans ce cas, l'empreinte digitale est un schéma de molécules se liant aux capteurs, avec des sensibilités et des forces de liaison différentes.
Mais les modèles sont trop subtils pour qu'un humain puisse choisir.
« Nous pouvons regarder les données et nous n'en aurons aucun sens », dit-il.
"Nous ne pouvons voir que les modèles qui sont différents avec l'IA." Décoder les données nanotubes signifiait charger les données dans un algorithme d'apprentissage automatique, et dire à l'algorithme quels échantillons provenaient de patients atteints de cancer de l'ovaire, et qui provenaient de personnes sans elle.
Il s'agissait notamment de sang provenant de personnes atteintes d'autres formes de cancer, ou d'autres maladies gynécologiques qui pourraient être confondues avec le cancer de l'ovaire.
Un grand défi dans l'utilisation de l'IA pour développer des tests sanguins pour la recherche sur le cancer de l'ovaire est qu'il est relativement rare, ce qui limite les données pour les algorithmes d'entraînement.
Et même la plupart de ces données sont siloées dans les hôpitaux qui les ont traitées, avec un minimum de partage de données pour les chercheurs.
Le Dr Heller décrit la formation de l'algorithme sur les données disponibles de quelques centaines de patients comme un "Hail Mary pass".
Mais il dit que l'IA a été en mesure d'obtenir une meilleure précision que les meilleurs biomarqueurs de cancer qui sont disponibles aujourd'hui - et ce n'était que le premier essai.
Le système fait actuellement l'objet d'autres études pour voir s'il peut être amélioré à l'aide de plus grands ensembles de capteurs et d'échantillons provenant de beaucoup plus de patients.
Plus de données peuvent améliorer l'algorithme, tout comme les algorithmes pour les voitures auto-conduites peuvent améliorer avec plus de tests dans la rue.
Le Dr Heller a de grands espoirs pour la technologie.
« Ce que nous aimerions faire, c'est trier toutes les maladies gynécologiques - donc quand quelqu'un vient avec une plainte, pouvons-nous donner aux médecins un outil qui leur dit rapidement qu'il est plus susceptible d'être un cancer ou pas, ou ce cancer que cela. » Dr Heller dit que cela peut être "trois à cinq ans" loin.
Ce n'est pas seulement la détection précoce que l'IA est potentiellement utile pour, il accélère également d'autres tests sanguins.
Pour un patient cancéreux, attraper une pneumonie peut être mortel et, comme il ya environ 600 organismes différents qui peuvent causer la pneumonie, les médecins doivent effectuer de multiples tests pour identifier l'infection.
Mais de nouveaux types de tests sanguins simplifient et accélèrent le processus.
Karuis, basé en Californie, utilise l'intelligence artificielle (AI) pour aider à identifier le pathogène de pneumonie précis en 24 heures, et choisir le bon antibiotique pour lui.
Avant notre test, un patient atteint d'une pneumonie aurait 15 à 20 tests différents pour identifier leur infection juste dans leur première semaine à l'hôpital - c'est environ 20 000 $ dans le test, dit le directeur général de Karius Alec Ford.
Karius possède une base de données d'ADN microbien qui contient des dizaines de milliards de points de données.
On peut comparer des échantillons de patients à cette base de données pour identifier l'agent pathogène exact.
M. Ford dit que cela aurait été impossible sans AI.
L'un des défis est que les chercheurs ne comprennent pas nécessairement à l'heure actuelle tous les liens qu'un IA pourrait établir entre les biomarqueurs d'essai et les maladies.
Au cours des deux dernières années, le Dr Slav Petrovski a développé une plateforme d'IA appelée Milton qui, à l'aide de biomarqueurs dans les données de biobanque du Royaume-Uni pour identifier 120 maladies avec un taux de réussite de plus de 90%.
Trouver des modèles dans une telle masse de données n'est que quelque chose que l'IA peut faire.
Ce sont souvent des modèles complexes, où il n'y a peut-être pas un seul biomarqueur, mais vous devez prendre en considération l'ensemble du modèle, dit le Dr Petrovski, qui est un chercheur chez le géant pharmaceutique AstraZeneca.
Le Dr Heller utilise une technique similaire dans son travail sur le cancer de l'ovaire.
« Nous savons que le capteur se lie et réagit aux protéines et aux petites molécules dans le sang, mais nous ne savons pas lesquelles des protéines ou des molécules sont spécifiques au cancer », dit-il.
D'une manière plus générale, les données, ou l'absence de données, sont encore un inconvénient.
« Les gens ne partagent pas leurs données, ou il n'y a pas de mécanisme pour le faire », explique Mme Moran.
Ocra finance un grand registre des patients, avec des dossiers médicaux électroniques de patients qui ont permis aux chercheurs de former des algorithmes sur leurs données.
« C'est tôt, nous sommes toujours dans la nature à l'ouest de l'IA, explique Mme Moran.