INTELLIGENZA ARTIFICIALE_MASCAGNI.mp4

Super, merci Jean-Paul. Par contre, Pietro a disparu.

will be equally informative.

So, just a second to introduce myself,

I'm Pietro Mascagni,

a doctor from Gemelli University of Rome Cattolica,

and I've spent the last three years

working in the team of Nicola Padua,

the CAMA team housed at the IHU Strasbourg,

University of Strasbourg.

And I've been also supervised by a professor,

Bernard D'Alemagne,

qui est le vice-directeur de l'IRCAD et par le professeur Guido Costamagna en Rome, catholique à Gemelli.

Après cette présentation, je vais commencer par quelques notes sur l'AI surgique.

Ici, la vision est que les chambres d'opération sont de plus en plus complexes

Et ça peut être configuré comme un processus sociotechnologique qui est plein d'informations, qui est très efficace quand ça va bien, mais aucune perturbation dans le flot de cette information ne peut créer un problème, un événement adverse.

Just to give you some figures, a large majority of medical errors are considered to happen in operating rooms and 50% of them seem to be preventable.

Techniques like the ones we have seen today are pretty good at modeling information and make sure that the right information is given to the right person at the right moment.

Like, for instance, the assessment of the CVS before clipping and cutting the cystic duct and artery that we just demonstrated.

Basically, this enables the concept of a surgical control tower,

so a place that gets information from operating rooms,

models it in order to monitor activity,

anticipate potentially dangerous deviation from the normal course of events,

intervene to prevent adverse events,

and overall optimizing the whole surgical care

de l'entraînement jusqu'au résultat du patient, et c'est ce que nous cherchons vraiment.

Derrière toute cette vision, il y a les réseaux neuronaux, les réseaux neuronaux artificiels.

Ce sont des systèmes de computation qui ont été conçus pour ressembler aux réseaux neuronaux biologiques,

neural networks, so our brain, and that basically are able to analyze unstructured data, like

images, with very good performances.

Here you can see a very simple and didactic representation of a deep learning network,

so a series of layers of neurons that detect what tools is present in the image, as you

saw in the demonstration.

En fait, l'arrière-plan de ces réseaux neuronaux artificiels est leur capacité à apprendre.

Donc, l'apprentissage est vraiment la base de l'apprentissage machine, et je dirais que c'est une grande partie de l'intelligence artificielle.

Ce l'apprentissage se passe souvent par l'expérience, et l'expérience, quand nous parlons de la computation informatique, c'est les données.

So you give a machine a data point, an image in this case, a surgical image to be precise.

Then we pass through a neural network, which is a function, and the machine will output a prediction, in this case a wrong one.

And it knows that it's a wrong one by comparing to a ground truth.

This is, of course, an oversimplification of it all, but I hope that it will deliver a message.

Lorsque la prédiction n'est pas correcte, il y a une erreur, la fonction s'améliore et change la connexion pour que la prochaine prédiction soit plus précise jusqu'à ce que ce soit correct, comme dans ce cas.

Donc, cela représente, d'une manière très simple, ce qu'est le processus d'apprentissage.

Si vous voulez en savoir plus sur l'intelligence artificielle et la chirurgie,

je vous invite à recevoir ce très beau livre produit par notre ami Daniel Hashimoto

et une très grande communauté de chirurgiens et scientifiques de la computer

qui distille cette information aux chirurgiens.

So, no mathematical background.

And I also invite you to connect to edu4sds.org,

which is where we will soon announce a surgical data science summer school

that we hope to host next July in Strasbourg.

And this is really focused to teaching computer scientists and surgeons

about the reciprocal needs and solutions.

in order to foster innovation in surgical AI and surgical data science in general.

So now I will focus with a few simple slides on what we have seen today during the live.

So first of all, we have seen an analysis of a laparoscopic cholecystectomy.

The reason being multiple.

First of all, and it's probably the more trivial, is that this is an extremely common procedure.

Nous avons donc beaucoup de cas de laparoscopie cholecystectomique.

Imaginez, aux États-Unis, ils disent qu'ils font 1 million de procédures par an,

et en Chine, ils disent 3 millions.

Donc, il y a beaucoup d'opportunités pour obtenir des données sur cette procédure.

Et aussi, c'est à la fin de l'année la plus urgente,

ce qui est important si nous voulons innover pour la majorité.

Le point très connecté et important est que cette procédure est, dans 98% des cas,

performée avec une approche minimally invasive, laparoscopique.

Et ici, dans la connexion d'aujourd'hui, nous avons les fondateurs, les pionniers de la laparoscopie.

Mais c'est très important parce que nous avons des données digitales sur cette procédure.

Et nous avons aussi des besoins cliniquement bien définis,

comme, par exemple, la nécessité de prévenir l'illusion de la perception visuelle causée par un mal de l'œil majeur.

Et je dirais qu'un autre facteur critique pour avoir ce genre d'interdiction de l'intelligence artificielle sur la cholecystectomie

est, grâce au travail de Nicolas Padua, professeur Nicolas Padua de l'Université de Strasbourg,

qui, il y a quelques années, en 2016, a publié le premier data set,

une collection de 80 technologies laparoscopiques.

Et cela a vraiment aidé le domaine et la recherche des scientifiques de la computer

qui ont commencé à utiliser ce data set public pour benchmarker leurs innovations,

leurs nouveaux modèles, leurs nouveaux AIs.

Alors maintenant, voyons voir ce que nous avons vu aujourd'hui.

Comme je l'ai déjà mentionné, la première chose qu'une machine doit faire est d'apprendre où se trouve une procédure,

donc le statut et l'évolution d'une procédure.

Et ce n'est pas similaire à ce que nos entraîneurs chirurgiens s'accueillent avec de nouvelles procédures chirurgicales.

Donc, je m'entraîne moi-même et quand j'ai besoin de commencer à scrabbler dans un procédé, je ne sais pas, la première chose que j'ai besoin d'apprendre sont les étapes.

Donc, la séquence d'événements que j'ai besoin d'accomplir pour avoir un procédé succinct.

Donc, ici, je pense que nous pouvons voir un très bon parallélisme.

Les machines doivent aussi comprendre cela pour savoir où ils sont, pour ensuite pouvoir produire une analyse de valeur surgique élevée.

Ensuite, nous devons apprendre à manipuler l'anatomie, à bouger notre instrument.

La machine doit aussi comprendre où sont ces instruments dans l'espace et dans leurs fonctions,

que ce soit un clou pour dissécuter, un clou pour attirer et détruire, et ainsi de suite.

Donc, ici encore, et j'aimerais stresser ce que vous avez vu aujourd'hui, ce sont des modèles d'intelligence artificielle stables qui ont été développés au cours des années, mais malheureusement, pas le plus récent, parce que cela a encore besoin d'être optimisé pour rouler en temps réel dans les chambres d'opération.

Mais ce que je voulais introduire, c'est que ce genre d'analytique se déroule maintenant

de la compréhension des outils qui sont utilisés, à la compréhension de où et comment ils sont utilisés,

jusqu'à la compréhension des actions chirurgicales très finement détaillées.

Par exemple, dans le dernier travail de Cinedo Nuoia, que vous pouvez voir ici,

ici et c'est très excitant. La machine commence à comprendre la seule action

effectuée par les chirurgiens. Ensuite, bien sûr, nous devons connaître notre anatomie et c'est probablement

l'une des choses les plus importantes et nous avons entraîné la machine à comprendre l'anatomie hépatocytique

afin d'avoir une meilleure réassessment de la sécurité bio-critique, par exemple, et c'est le

C'est le type de modèle que vous avez vu pendant la vie précédente.

Ce modèle assèche les segments, techniquement parlant, et souligne, comme nous le disons probablement dans d'autres secteurs, l'anatomie.

Dans ce cas, le ducte cystique, l'arthrite cystique, le ventre d'or et le plat cystique.

Here I would like to draw your attention to the fact that the system is not only segmenting tools and anatomy but also the surgical dissection, the windows in between the cystic duct and artery and between the artery and the cystic plate.

Donc, c'est un peu moins, c'est une instance d'une sémantique de chirurgie plus élevée,

parce qu'ici, nous parlons de la section, et je suis vraiment excité de voir où cela ira dans le futur,

quand nous allons commencer à assister à des instances un peu plus abstraites.

instances. Finally, as we do surgery, we want to have a surgery of a certain quality that

guarantees good patient outcomes. And also machines are starting to understand and assess

the quality of our dissection as we have demonstrated with the critical biosafety.

So I want to reshow this video because as you can see here, the machine first assesses the

les deux premières critères de la sécurité bio-critique ont été atteints,

mais ne trouvent pas une bonne dissection de la plage cystique.

Donc, le chirurgien reçoit un feedback avec la segmentation automatique à l'anatomie

et se dissectionne jusqu'à ce que le troisième critère soit atteint.

Enfin, aujourd'hui, ce que vous avez vu est l'optimisation de tous ces différents modèles sur un démonstrateur.

un prototype, pas pour l'utilisation clinique. Mais en fait, cela montre que c'est un

pas à l'avant, la traduction de ces algorithmes AI, parce que nous devons pouvoir

les utiliser à l'extérieur du laboratoire, et éventuellement dans les salles d'opération, ce qui est notre but final.

Et pour faire cela, nous devons avoir une bonne computation.

Nous devons donc avoir des serveurs, des compétences, qui sont capables de faire

cette analyse computationnellement très coûteuse, en temps réel, sans erreurs,

dans un espace de contraintes et de multiples modèles en même temps.

with one of the leaders of these chips optimized for deep learning inference, NVIDIA.

And basically, here you can see from the experimental operating room

a demonstration on how this analysis can happen in real time,

which was also demonstrated in the live where we were speaking and commenting with the surgeon.

Et c'est, nous croyons, un pas important pour la traduction clinique.

Et avec cela, je conclue. Le déclin n'est plus nécessaire,

car cette présentation était supposée être avant la présentation actuelle.

Et malheureusement, je ne peux pas prendre de questions, mais j'en serais très heureux.

J'ai arrêté mes slides et je vais éventuellement commenter avec le professeur Nicolas Padua et le professeur Bernard D'Alemagne pour conclure ce live streaming.

Je pense que je n'ai pas à commenter parce que je ne suis pas un ingénieur.

Moi aussi, par contre.

Je vais laisser les dernières mots à Nicolas Padua, qui est vraiment le chef de tout ce projet, et juste pour le féliciter pour ce travail. Nicolas, tu as la parole.

Merci. Merci Bernard. Donc, les dernières quelques mots pour conclure.

Donc, d'abord, je veux dire, c'était un peu effrayant de faire cette démonstration aujourd'hui et je pense que ça a marché vraiment bien.

Parce que quand on développe un système d'AI, on les évalue en ligne sur, vous savez, des data sets sur nos ordinateurs.

C'est un type différent d'évaluation pour les gérer en live sans savoir ce qui va se passer.

Et c'était la première fois que nous l'avons fait et je suis très, très heureux des résultats des modèles.

We had a lot of views where all the AI models were correct for recognizing phases, recognizing the tool, recognizing the anatomy, and also the grading of the critical view of safety.

So I think it's really a success for this first live demonstration.

Et j'aimerais conclure en remerciant beaucoup Pietro qui a vraiment fait beaucoup d'efforts pour faire possible le développement de ces modèles AI avec des applications cliniques claires et aller au dernier pas, qui est de les démontrer aux patients.

Bien sûr, il y a beaucoup plus à faire.

des interfaces utilisateurs qui montrent que ça peut vraiment impacter l'échec clinique et qu'il a des bénéfices pour les patients.

Mais c'est la première étape aujourd'hui.

Et encore une fois, félicitations à tous.

Et aussi à l'ensemble de l'équipe, les ingénieurs et les chercheurs qui ont vraiment aidé à passer à l'avenir.

Bien sûr, tous les partenaires cliniques de l'IHU Strasbourg, l'IRCAD et d'autres, de Rome aussi, qui ont aidé beaucoup.

Merci, merci beaucoup Nicolas, merci et félicitations pour le nouveau mouvement.

Et on cherche la prochaine étape du développement.

Des études cliniques.

Des études cliniques qui sont en cours.

Donc, merci beaucoup.

Merci Pietro.

Merci.

Vous pouvez conclure.

Je conclue en disant que je suis extrêmement heureux que dans de très peu de années,

parce que des pionniers comme Nicolas Padua ont commencé cette recherche avec d'autres groupes très bien connus,

il y a quelques années, où cette application n'était pas vraiment poursuivre ou que peu de gens y croyaient.

Et je pense qu'il faut une vision pour pouvoir poursuivre et gérer ce marathon qui, à un moment donné,

conduira à quelque chose de significatif pour les patients, les chirurgiens et le système de santé.

Et toute la communauté de la science des données de la chirurgie, c'est une très bonne chose qui

prend vraiment ce concept à l'art et essaie de bouger et de démontrer avec des métriques cliniques de

vision, un concept qui est très souvent trop hypé, à mon avis, mais qui a un potentiel

réaliste pour être utile pour les gens.

Merci Pietro, mais je pense que le plus important est aussi de remercier très

beaucoup le professeur Palazzini de Roma.

Nous le connaissons depuis longtemps et je dois dire que quand Pietro est venu avec

l'idée. Il était extrêmement enthousiaste et a mis tout son espoir pour permettre que cette session soit

transmise aux fameuses sessions de vidéo en Rome. Merci professeur Palazzini.

Merci beaucoup. J'espère vous revoir très bientôt. Au revoir. Et merci à tous ceux qui

Je suis en train de regarder le congrès de travail de la chirurgie endoscopique de l'EAS à Barcelona cette année.

Nous devons travailler maintenant.

Nous devons travailler maintenant, mais je veux aussi remercier l'EAS parce qu'ils ont co-fondé partiellement, mais importantement, ce projet en 2018 avec un grant de recherche.

et c'est vraiment l'un des

ennemi de cette innovation

au moins en termes de motivation

du côté de l'équipe

Ok, donc nous allons à la conférence

parce que nous devons faire la conférence

Merci à tous

Merci, au revoir