Vignette (© Lightwise/123RF).

Les récentes avancées dans le traitement et l’analyse des données ont transformé les performances des algorithmes d’aide à la décision médicale, qui jouent ainsi un rôle croissant dans la stratification des risques, la prévention, le diagnostic, le traitement et le suivi de nombreuses maladies [ 1 ].

Cependant, obtenir une base de données de qualité, complète, standardisée, volumineuse, multimodale, longitudinale, représentative, diversifiée et indemne de biais reste un défi majeur [ 2 ]. En effet, la mise en place de telles bases de données est particulièrement difficile : la multimodalité ^1, demande de nombreux examens pour le même patient, le suivi longitudinal est très difficile en pratique, l’annotation ² est coûteuse, la reproductibilité inter-observateur de la collecte est imparfaite, etc. De plus, il existe de multiples domaines où les données sont soit rares, soit difficiles à collecter. Enfin, du fait des risques notamment de réidentification des patients, les contraintes réglementaires et éthiques autour de l’utilisation des données personnelles de santé, particulièrement sensibles, compliquent encore leur accès et leur utilisation.

Dans ce contexte, les données synthétiques émergent comme une solution prometteuse [ 3 ]. Générées par diverses approches statistiques spécifiques (plutôt que collectées sur un sujet physique), elles imitent des données empiriques sans toutefois correspondre à des individus existants et proposent donc une alternative pour surmonter les limites associées à ces dernières. Nous explorons, ici, les enjeux, les méthodes de génération et de validation, et les applications des données synthétiques dans l’entraînement d’algorithmes d’apprentissage automatisé en médecine.

Ces dernières années, l’utilisation de données synthétiques pour des algorithmes en médecine est croissante. Elle aide à évaluer les politiques de santé publique, à améliorer l’efficacité de traitements, ou à augmenter les performances des algorithmes d’apprentissage automatique [ 9 ]. Un exemple, parmi tant d’autres [ 9 ], est la génération, par un réseau antagoniste génératif, de radiographies thoraciques de faux patients atteints de la Covid-19 ( coronavirus disease 2019 ) afin d’entraîner un modèle qui détecte la maladie [ 10 ]. Cette approche présente donc un réel intérêt en termes de confidentialité et d’utilité. Cependant, elle comporte des limites.

Deux types de risques sont à distinguer : ceux inhérents aux données synthétiques et ceux liés à la propagation des défauts du jeu de données. Pour les risques inhérents aux données synthétiques, il est important de noter que les métriques d’utilité et de confidentialité peuvent être modifiées si l’usage des données synthétiques est modifié après leur génération. Bien que ces approches soient bien étudiées pour les données tabulaires ¹⁰ , elles sont encore émergentes pour les données longitudinales et non-structurées (images, vidéos, signaux). De plus, il n’existe pas de consensus clair sur les critères de confidentialité acceptables ni sur les performances minimales à atteindre. Enfin, le statut juridique, les réflexions éthiques et les sujets de propriété intellectuelle liés aux données synthétiques sont ouverts à débats.

Pour les risques liés à la propagation des défauts, les données synthétiques peuvent intégrer des biais si les modèles ne sont pas correctement ajustés ou si les données originales contiennent des biais qui n’ont pas été détectés, ce qui altère les résultats des algorithmes entraînés. Il est donc essentiel d’identifier et de mesurer ces biais (analyse de variance, tests d’ajustement, diversification des sources, rééquilibrage des classes). L’expertise clinique peut également jouer un rôle. Il existe aussi un risque de perte d’information si les modèles ne capturent pas toutes les subtilités des données réelles, ce qui peut entraîner des corrélations incorrectes. Des techniques de calibration peuvent réduire ce risque. Enfin, l’utilisation de réseaux de neurones pour générer des données synthétiques peut entraîner un surapprentissage. Dans la génération de données non structurées, comme les images, les artefacts et distorsions peuvent altérer leur utilité, même s’ils sont minimes.

Face aux défis imposés par la nécessité de disposer de bases de données médicales optimales, les données synthétiques émergent comme une solution prometteuse. Elles pourraient représenter une alternative intéressante aux données réelles. En plus de contourner les obstacles de la collecte de données réelles, elles peuvent également répondre aux enjeux éthiques et réglementaires. De nombreuses études ont permis de montrer l’intérêt de ces approches dans l’entraînement d’algorithmes d’apprentissage automatisé en médecine, que ce soit sur des critères d’utilité ou de confidentialité.

Les limites de ces approches tempèrent néanmoins leur utilisation. Outre les risques de perte d’information, d’introduction ou d’exacerbation de biais, ou encore de surapprentissage, se pose la question de leur intérêt comparativement à d’autres méthodes comme l’apprentissage fédéré ¹¹ .

Enfin, en médecine, la multimodalité et le suivi longitudinal sont cruciaux pour comprendre et traiter efficacement les maladies. Ces deux caractéristiques ne sont pas, pour l’instant, prises en compte efficacement par ces approches, mais la recherche progresse en ce sens.

Alaedine Benani soutient un projet de recherche financé par Zoi, Paris, France. Stanislas Demuth et Julien Vibert déclarent n’avoir aucun lien d’intérêt concernant les données publiées dans cet article .

Les auteurs remercient Pr Xavier Tannier, Pr Emmanuel Messas, Pr Pierre-Antoine Gourraud, Dr Pierre Bauvin, Dr Stéphane Ohayon et Dr Sylvain Bodard .