Dans notre laboratoire, on ne se contente pas de manipuler des pixels ou d'optimiser des algorithmes de recherche. On explore des frontières plus sensibles. Le projet RADIOHED est né d'une ambition simple mais vertigineuse : peut-on, avec nos ressources et notre agilité, créer une intelligence capable de lire une radiographie pulmonaire et d'y déceler une pneumonie ?
Le défi : la médecine est le domaine de la nuance
Derrière cette question se cache un défi de taille. La médecine est le domaine de la nuance extrême. Un flou sur une image peut être un artefact, une respiration, ou le signe d'une pathologie grave. Pour une machine, apprendre cela semble demander une éternité de calcul et des millions de données.
Pourtant, on y est parvenus. Et la clé de cette réussite tient en un concept qu'on veut partager avec vous, parce qu'il définit notre manière de travailler : le Transfer Learning.
Le paradoxe de l'apprentissage
Imaginez que pour apprendre à un enfant à reconnaître un pommier, vous deviez d'abord lui réapprendre toute la physique de la lumière, la biologie des cellules végétales et la géométrie des fractales. Il ne mangerait jamais de pomme.
C'est pourtant ce que font beaucoup d'IA : elles partent de zéro, du "pixel mort", pour tenter de comprendre le monde.
Pour RADIOHED, on a choisi une voie plus humaine, plus proche de la manière dont nous, adultes, apprenons. On s'est appuyés sur un "géant" nommé DenseNet121. Ce réseau de neurones n'est pas médecin. Il a passé sa vie à regarder des millions d'images du quotidien : des chats, des voitures, des paysages.
De ce long entraînement, il a tiré une compétence universelle : il sait voir. Il connaît la grammaire des formes, le poids des ombres, la texture des surfaces.
La greffe du savoir spécialisé
La pédagogie du Transfer Learning tient dans cette idée de récupération. Plutôt que de forcer la machine à réinventer l'optique, on a "gelé" son savoir généraliste. On a conservé cet oeil d'expert photographe qu'elle s'était forgé.
Ensuite, on a opéré une greffe. On a ajouté une petite couche finale (on l'appelle la "tête") et on l'a entraînée spécifiquement sur 5'200 radiographies.
C'est ici que la subtilité opère : la machine n'a pas appris à voir les radios ; elle a appris à appliquer son regard universel à un nouveau domaine. Parce qu'elle savait déjà ce qu'était une texture, elle a très vite compris la différence entre un tissu pulmonaire sain et l'opacité d'une infection.
Pourquoi cette efficacité nous émeut
Le résultat nous a nous-mêmes surpris par sa justesse. Avec un score de 0,96 sur 1, notre modèle tient la comparaison avec des systèmes entraînés sur des infrastructures colossales. Et pourtant, il a été conçu en quelques minutes, sur un simple ordinateur portable.
C'est là le message profond de RADIOHED et de notre laboratoire : l'intelligence n'est pas une question de force brute. C'est une question de connexion.
Le Transfer Learning est un égaliseur technologique. Il permet à des acteurs agiles de s'appuyer sur l'héritage collectif de l'IA pour créer des solutions de pointe, rapidement et avec humilité. On n'a pas construit le réservoir de savoir ; on a appris à s'y brancher avec précision.
« On ne réapprend pas à voir le monde. On offre simplement une spécialité à un regard déjà formé par l'expérience des géants. »
Ce qu'il faut retenir
Le Transfer Learning réutilise le savoir d'un réseau déjà entraîné plutôt que de repartir du "pixel mort".
DenseNet121, entraîné sur des millions d'images du quotidien, sait déjà voir : formes, ombres, textures.
On gèle ce savoir généraliste et on greffe une "tête" entraînée sur 5'200 radiographies pulmonaires.
Résultat : 0,96 sur 1, obtenu en quelques minutes sur un simple ordinateur portable.
L'intelligence n'est pas une question de force brute, mais de connexion à l'héritage collectif de l'IA.