Supercalculateur Lyra (ULB) : Accélérer l’aide au diagnostic grâce au calcul intensif par IA

Hier, le 21 janvier, le CECI (Consortium des équipements de calcul intensif)-ULB inaugurait son nouveau centre de données DC-A6K à Charleroi en présence de la rectrice Annemie Schaus et du bourgmestre de Charleroi. Le centre abrite désormais le supercalculateur Lyra spécialisé dans les calculs basés sur l’intelligence artificielle. Les champs d’application sont variés allant de la médecine à la météorologie.

« Co-financé par la Wallonie à hauteur de 1,7 million, le nouveau centre de données abrite les données de l’ULB centrées auparavant sur le ‘’vieux’’ campus du Solbosch à Bruxelles datant des années 70. Le centre abrite également le supercalculateur spécifiquement destiné à l’IA », précise Annemie Schaus (photo).

Ce supercalculateur est open source et l’ensemble des universités de la FWB peuvent l’utiliser mais aussi des firmes privées ou des centres de recherche. C’est un pas important vers la « souveraineté numérique » de Wallonie-Bruxelles. Le centre de données se consacrera substantiellement à la santé et la médecine.  

Catégorie Tier-2

Lyra est un supercalculateur de catégorie Tier-2 qui possède 23 nœuds de calcul et 46 processeurs graphiques (photo). Les champs d’application sont variés : diagnostics médicaux affinés sur base d’imagerie médicale, identification de nouvelles molécules destinées à des médicaments innovants, modélisation de la structure des protéines mais aussi météorologie, robots autonomes, etc.

La plateforme numérique Hyperion, qui héberge les données de recherche de l’ULB, fait aussi partie intégrante du centre informatique carolorégien.

« Nous avons mis en place une infrastructure IT inspirée des ‘hyperscalers’ comme les data centers d’Amazon, Google ou Microsodt Azure, mais à taille humaine », explique Raphaël Leplae, directeur du pôle technologie de l’ULB.

Le supercalculateur que nous avons pu visiter est blindé contre les coupures de courant grâce à un ensemble de batteries qui permettent de « tenir » quelques minutes le temps que le groupe électrogène diesel se mette en marche. Dans un optique de durabilité, la chaleur intense produite par les équipements informatiques sera récupérée pour chauffer les bureaux du bâtiment A6K. Sis sur les berges de la Sambre, celui-ci est – nous avons pu le constater – glacial et… en plein travaux.

Egor Zindy, biologiste et informaticien au Centre de microscopie et d’imagerie moléculaire de l’ULB et chercheur en traitement d’images biomédicales au Centre de microscopie et d’imagerie moléculaire, a présenté deux grands axes de son travail autour de l’intelligence artificielle. D’une part, l’utilisation d’IA dites « clés en main » dans l’analyse d’images biomédicales. D’autre part, le développement d’outils propres IA dans le cadre d’un projet FEDER wallon.

L’IA comme aide au diagnostic, pas comme substitut

« Notre objectif est clair : aider les pathologistes et les cliniciens, pas les remplacer. Nous développons des outils d’aide à la recherche et au diagnostic, destinés à renforcer leur capacité d’analyse. »

Et de montrer à titre d’exemple un tissu issu d’une biopsie du pancréas, atteinte d’un cancer. « En bleu, on distingue les noyaux des cellules. Sur une seule lame numérisée par microscopie, on peut observer des dizaines de milliers de cellules. L’enjeu est de pouvoir analyser ces cellules collectivement : leur organisation, leurs interactions et leur positionnement relatif. »

Le chercheur utilise des biomarqueurs qui permettent de caractériser différents états cellulaires. « Dans cet exemple, deux marqueurs indiquent si les cellules cancéreuses sont dans un état stable ou dans un état migratoire, donc plus agressif. Certaines cellules présentent simultanément les deux marqueurs. Elles sont rares, mais potentiellement déterminantes. Il est donc crucial de comprendre où elles apparaissent dans la tumeur. »

Ces analyses sont réalisées sur plusieurs coupes par tumeur, mais aussi sur des cohortes de dizaines, voire de centaines de patients. La quantité d’images à traiter devient alors considérable, souligne Egor Zyndi.

Le rôle central du calcul intensif

Ces analyses peuvent être effectuées sur des ordinateurs classiques, mais elles sont beaucoup plus efficaces lorsqu’on déporte les calculs lourds vers un centre de calcul, capable de travailler en parallèle, notamment grâce à des cartes graphiques (GPU).

« La première étape consiste à détecter les cellules, pas uniquement leurs noyaux, mais leur forme complète. Pour cela, nous utilisons un réseau de neurones entraîné sur des centaines de milliers de cellules. Le procédé est capable de reconnaître une cellule dans un tissu avec une grande précision. Une fois la segmentation réalisée, nous intégrons l’information apportée par les biomarqueurs : signal rouge, vert ou superposé. Cela permet par exemple de comparer des images avant et après traitement, ou d’analyser des différences liées à des caractéristiques génétiques des patients. »

Concrètement, comment cela fonctionne-t-il ? « Le pathologiste travaille sur son poste habituel. Les images sont découpées en petites tuiles, qui sont envoyées automatiquement au centre de calcul. Celui-ci réalise les analyses et renvoie les résultats : segmentation des cellules, ou estimation de la probabilité de cancer. L’IA analyse notamment les textures de l’image et génère une carte de probabilité - une ‘’heat map’’. Pour l’utilisateur, la seule différence perceptible est la vitesse de calcul. »

 

Meilleure compréhension des maladies

Ces approches permettent une meilleure compréhension des maladies, comme le cancer, et des effets des traitements. Elles constituent un outil puissant d’aide à la recherche, avec une perspective de transfert vers la pratique clinique.

Le chercheur a ensuite présenté un projet consacré au cancer de la prostate. « Contrairement aux outils précédents, qui reposent sur des IA open source déjà existantes, l’objectif ici est de développer notre propre intelligence artificielle. L’ambition est de permettre une détection précoce du cancer de la prostate à l’aide d’outils moins coûteux que certaines technologies actuellement disponibles et pas toujours accessibles dans tous les hôpitaux. Là encore, il ne s’agit pas de remplacer les cliniciens ou les pathologistes, mais de leur fournir une aide supplémentaire lors du diagnostic, de la détection et de la prise de biopsies. »

L’ULB travaille sur des images de micro-échographie, une technique plus fine que les ultrasons classiques. « L’intérêt majeur de cette approche est que la biopsie peut être associée précisément à l’image qui l’a motivée. Les échantillons sont ensuite analysés par des laboratoires d’histopathologie, notamment par la société CurePath. »

Selon le résultat, différentes décisions cliniques sont prises : surveillance, ablation de la prostate, radiothérapie ou chimiothérapie.

Reproduire l’intuition clinique par l’IA

Les cliniciens utilisent parfois des métaphores visuelles - « fromage suisse », « chou-fleur » - pour qualifier des stades bénins ou pathologiques. « Notre objectif est de reproduire cette intuition à l’aide de l’IA. Contrairement à une simple analogie visuelle, nous disposons ici d’un label objectif : le résultat anatomopathologique de la biopsie prélevée exactement à l’endroit observé. Nous cherchons à associer une image, un diagnostic et un niveau de risque, afin de signaler en temps réel les zones suspectes sur l’image d’ultrasons. Cela peut guider le clinicien dans son diagnostic ou l’aider à décider où effectuer une biopsie. »

L’objectif global est clair : des diagnostics plus précis et plus précoces, un dépistage plus efficace et une réduction potentielle des examens invasifs. En ciblant mieux les zones à risque, on peut limiter les biopsies inutiles.

Le centre de calcul, un outil indispensable

Sans Lyra, impossible d’y arriver car les séquences vidéo analysées comptent environ 30 images par seconde. Ce sont des données lourdes, complexes, et riches en information. « Extraire de la valeur de ces images, entraîner des IA, tester, échouer, recommencer, ajouter des données : tout cela n’est possible qu’à cette échelle, grâce à un centre de calcul performant. C’est un outil essentiel pour travailler de manière itérative et rigoureuse sur de grandes quantités de données. »