La ruée vers l’or au Venezuela a un effet secondaire dévastateur : la résurgence du paludisme. Heureusement, la science et la technologie ripostent avec une arme secrète : l’intelligence artificielle. Accrochez-vous, on vous explique.
L’or, source de problèmes
Dans l’État de Bolivar au Venezuela, la déforestation liée à l’extraction d’or a perturbé l’écosystème, notamment les populations de moustiques. Ces derniers s’en prennent aux mineurs, les infectant avec le parasite mortel du paludisme. Ironiquement, le Venezuela avait été déclaré exempt de paludisme en 1961 par l’OMS. Un retour en force inquiétant, surtout dans un contexte où le paludisme continue de faire des ravages à l’échelle mondiale, avec près de 263 millions de cas et 597 000 décès estimés en 2023, selon l’OMS.
Le diagnostic, un défi en zone rurale
Le problème est amplifié par le manque d’accès aux soins dans les zones rurales touchées par l’épidémie. Difficile de diagnostiquer le paludisme avec un microscope quand les professionnels qualifiés sont rares. C’est là que l’IA entre en jeu.
L’IA à la rescousse
Des chercheurs ont mis au point une solution innovante : un réseau neuronal convolutif (CNN) capable de détecter automatiquement les parasites du paludisme dans les échantillons de sang. Leur étude, publiée dans Nature, détaille cette avancée technologique prometteuse. « Le paludisme avait quasiment disparu au Venezuela », explique Diego Ramos-Briceño, jeune chercheur de 25 ans, étudiant en médecine et titulaire d’une licence en ingénierie. « L’année dernière, on comptait environ 135 000 cas. »
L’équipe de recherche, composée de Ramos-Briceño, Alessandro Flammia-D’Aleo, Gerardo Fernández-López, Fhabián Carrión-Nessi et David Forero-Peña, a utilisé le CNN pour identifier les parasites Plasmodium falciparum et Plasmodium vivax dans des frottis sanguins épais, atteignant une précision impressionnante de 99,51%.
Pour développer le modèle, l’équipe a utilisé un ensemble de données de 5 941 images de frottis sanguins étiquetées provenant du Chittagong Medical College Hospital, au Bangladesh. Ils ont traité cet ensemble de données pour créer près de 190 000 images étiquetées. « Nous voulions que le réseau neuronal apprenne la morphologie du parasite, donc à partir des près de 6 000 images au microscope, nous avons extrait chaque parasite, et de toute cette augmentation et segmentation des données, nous avons fini par avoir près de 190 000 images pour l’entraînement du modèle », a déclaré Ramos-Briceño.
Ce modèle arrive à point nommé, alors que les méthodes traditionnelles de microscopie sont confrontées à des limitations en termes de précision et de cohérence, selon l’article de recherche.
Des cartes graphiques pour booster la recherche
Pour entraîner leur modèle, l’équipe a utilisé une carte graphique RTX 3060, prêtée par un professeur d’informatique. « Grâce à PyTorch Lightning et à l’accélération NVIDIA CUDA, nous avons pu effectuer des calculs parallèles efficaces, ce qui a considérablement accéléré les opérations matricielles et la préparation du réseau neuronal par rapport à ce qu’un processeur aurait fait », précise Ramos-Briceño.
Avec une telle puissance de calcul, l’identification du paludisme à partir d’échantillons de sang ne prend que quelques secondes. Les cliniques dépourvues de microscopistes qualifiés pourraient utiliser ce modèle et intégrer leurs propres données pour un apprentissage par transfert. L’objectif ? Adapter le modèle aux conditions d’éclairage et autres facteurs spécifiques à leurs images. « Pour les communautés éloignées des centres urbains, où l’accès aux ressources est plus limité, cela pourrait être une façon d’aborder le problème du paludisme », conclut Ramos-Briceño.
Une solution high-tech qui pourrait bien changer la donne dans la lutte contre cette maladie.
