INTELLIGENZA ARTIFICIALE.mp4

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

Donc, juste un seconde pour m'introduire, je suis Pietro Mascagni, docteur de l'Université de Rome-Catholique de Gemelli.

Et j'ai passé les dernières trois années travaillant dans le team de Nicolas Padua, le team de Camma, à l'Université de Strasbourg.

Et j'ai aussi été supervisé par le professeur Bernard D'Alemagne, qui est le vice-directeur de l'IRCAD, et par le professeur Guido Castamagna, en Rome, catholique à Gemelli.

Donc, après cette présentation, je vais commencer par quelques notes sur l'AI chirurgicale.

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

et que cela peut être configuré comme un processus sociotechnologique

qui est plein d'informations, qui est très efficace quand ça va bien,

mais aucune disturbance 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.

En fait, cela permet le concept d'une tournure de contrôle chirurgicale,

donc un endroit qui obtient de l'information des salles d'opération,

qui la modèle afin de monitorer l'activité,

anticiper une déviation potentiellement dangereuse du cours normal des événements,

intervenir pour prévenir des événements adverses

et en général optimiser toute la santé chirurgicale

care from training to to patient outcomes eventually and that's what we're really looking forward

behind all of this vision there is there are neural networks artificial neural networks

these are computational systems that were designed to resemble biological 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

démonstration. En fait, l'espoir 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 fait généralement grâce à l'expérience. L'expérience, lorsque 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 magnifique 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.

donc pas de background mathématique et je vous invite également à se connecter à eduforsds.org

où nous allons bientôt annoncer une école d'éthique de données chirurgicales d'été

que nous espérons offrir au mois de juillet à Strasbourg

et qui est vraiment concentrée sur l'enseignement des scientifiques et des chirurgiens

sur les besoins et solutions réciproques

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 des plus urgentes, 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 causant des blessures majoritaires.

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,

that a few years ago in 2016 published the first data set a collection of 80 laparoscopic

cholecystectomies and that really enabled the field and the research of the computer scientists

that started to use this public data set to benchmark their innovation their new models

So now let's go see what we saw today.

So probably, as I commented before, the number one thing a machine needs to do

is to understand where it is, where a procedure is,

so the status and the evolution of a procedure.

And this is not dissimilar to how surgical trainees get acquainted

Donc je suis en train de m'entraîner et quand j'ai besoin de commencer à scrupuler dans une procédure que je ne connaissais 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 une procédure réussie.

Donc ici, je pense que nous pouvons voir un très bon parallélisme. Les machines ont aussi besoin d'apprendre cela pour savoir où elles sont, afin de pouvoir produire des analyses de valeur chirurgicale élevée.

Ensuite, nous devons apprendre à manipuler l'anatomie, à bouger nos instruments.

La machine doit donc aussi comprendre où sont ces instruments dans l'espace et leurs fonctionnalités.

Que ce soit un coude pour dissécuter, un pinceau 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 stable 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 de ce qui est utilisé, à la compréhension de où et comment il est utilisé,

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, alors 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 de la vie critique par exemple et c'est le

type de modèle que vous avez vu durant la vie avant. Ce modèle

assèche les segments, techniquement parlant, et souligne, comme on dirait probablement dans d'autres

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

le plat cystique. Ici, je voudrais attirer votre attention au fait que le système

Le système n'est pas seulement la segmentation des outils et de l'anatomie, mais aussi la dissection chirurgicale,

les fenêtres entre le ducte cystique et l'arthrite, et entre l'arthrite et le plat cystique.

Donc, c'est une instance d'une semantique chirurgicale plus élevée,

car ici nous parlons de dissection.

Et je suis vraiment excité de voir où cela ira dans le futur,

quand nous allons commencer à examiner les instances un peu plus abstraites.

Enfin, lorsque nous faisons la chirurgie, nous voulons avoir une chirurgie d'une certaine qualité

qui garantisse des résultats patientaux bons.

Et les machines OTSU commencent à comprendre et à examiner la qualité de notre dissection,

comme nous l'avons démontré avec la sécurité biologique critique.

Je voudrais donc re-envoyer ce vidéo parce que, comme vous pouvez le voir ici,

la machine accède aux deux premiers critères de la sécurité biologique critique

mais ne trouve pas une bonne dissection de la plaque cystique.

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

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

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

prototype not for clinical use but basically this shows the this is a step forward on the

translation of this AI algorithms because we need to be able to use them outside of lab

eventually in operating rooms which is our final goal and to do that we have we have we have we

need to have some good computation so we need to have servers computers that are able to run this

very computationally expensive analysis in real time without lag in constraint space

and of multiple models at the same times and this is why we partnered with one of the leader of

de ces chips optimisés pour l'inférence de l'apprentissage profond dans l'invidia et en fait ici vous pouvez voir

de la salle d'opération expérimentale une démonstration sur comment cette analyse peut se faire en temps réel

ce qui a aussi été démontré dans le live où nous parlions et commentions avec le

chirurgien et c'est ce que nous pensons être un pas important pour la traduction clinique

Et avec cela, je conclue. Le disclaimer n'est plus nécessaire, parce que 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'arrête mes slides et je commente éventuellement 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 le floor.

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 faire vivre sans savoir ce qui va se passer.

Et c'était la première fois que nous avons fait ça.

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 je voudrais conclure en remerciant beaucoup Pietro, qui a 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.

Les interfaces utilisées montrent que ça peut vraiment impacter les résultats cliniques et que ça a des bénéfices réels pour les patients.

mais c'est la première étape d'aujourd'hui.

Félicitations à tous et à toute la équipe mondiale,

les ingénieurs et les chercheurs qui ont vraiment aidé à mener ça en avance.

Et 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 nous cherchons la prochaine étape du développement, des études cliniques qui arrivent progressivement.

Merci beaucoup. Merci Pietro.

Merci.

Vous pouvez conclure.

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

je dirais parce que je veux dire 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 poursuivie ou pas beaucoup

y croyaient et je pense qu'il faut une vision pour pouvoir poursuivre et gérer ce marathon qui

qui éventuellement conduisent à quelque chose de significatif pour les patients, les chirurgiens et le système de santé.

Et toute la communauté de la science des données, c'est une très bonne chose qui prend vraiment ce concept à l'art

et qui essaie de bouger et de démontrer avec l'assessment de la Torah, les métriques cliniques, la vision,

C'est un concept qui est très souvent trop hypé, à mon avis, mais qui a un potentiel réaliste pour être important pour les gens.

Merci Pietro, mais je pense que le plus important est aussi de remercier 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 de mettre tous ces efforts 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 écoutent le congrès de la chirurgie endoscopique,

aussi édité par l'IAS à Barcelone cette année.

Nous devons travailler maintenant.

Nous devons travailler maintenant, mais je veux aussi remercier l'AES,

parce qu'ils ont co-fondé, partiellement mais importantement,

ce projet en 2018 avec un grant de recherche

qui était vraiment l'un des amendeurs de cette innovation,

au moins en termes de motivation du côté de l'équipe.

D'accord, donc nous allons à la conférence parce que nous devons...

Nous devons faire la conférence maintenant.

Merci à tous.

Merci à tous.

Merci, au revoir.