🎤 Interview – Agents, LLM et biomédecine : les futures armes contre le cancer (Jean-Frédéric Petit-Nivard, Owkin)

Jean-Frédéric Petit Nivard: [0:01] Est-ce qu'avec une image d'une biopsie ou d'une résection, donc un bout de tissu, on voit des cellules cancéreuses, on voit des cellules immunitaires, Jean-Frédéric Petit Nivard: [0:10] on peut prédire la survie des patients ? Jusque-là, ce n'est pas forcément, comme disent les Américains, « groundbreaking ». Mais là où c'est intéressant, c'est qu'en fait, on a pu démontrer que l'IA était capable de reconnaître, en regardant des cellules, des motifs qui permettaient de prédire si un patient avait un bon ou un mauvais pronostic. Monde Numérique : [0:39] Bonjour Jean-Frédéric Petit-Nivard. Jean-Frédéric Petit Nivard: [0:41] Bonjour Jérôme. Monde Numérique : [0:42] Vous êtes Chief Business Development Officer, ça c'est la version anglaise en français, ça veut dire responsable du développement commercial de la société Owkin, qui est donc une start-up française, franco-américaine, une licorne, puisque vous avez déjà une longue histoire, vous avez été créée en 2016, spécialisée dans les biotech, dans les technologies, dans l'utilisation de l'intelligence artificielle, au service de la santé, et notamment au service des soins contre le cancer. C'est ça dont on va parler. Alors, on précise qu'on enregistre cette émission à Las Vegas où nous sommes présents pour l'événement AWS ReInvent, la grande messe annuelle d'Amazon Web Services. Jean-Frédéric, comment est-ce que concrètement l'IA peut aider ? Parce qu'on le dit souvent, mais concrètement, comment est-ce que l'intelligence artificielle peut venir en aide véritablement à la santé et aux soins, notamment dans le domaine du cancer. Jean-Frédéric Petit Nivard: [1:39] C'est une bonne question. En tout cas, nous, c'est quelque chose qui nous anime chaque jour. Je vais prendre un exemple parce que c'est ça qui parle le plus. Moi, j'ai rejoint Owkin en 2019. Je crois que c'était l'année où on a sorti un de nos papiers un peu important dans Nature Medicine. Il s'appelle Maisonnette. Et ça donne quelque chose de concret comment l'IA aide à mieux soigner les patients. Donc ce papier, qu'est-ce qu'il a cherché à faire ? Il a cherché à répondre à la question est-ce qu'avec une image d'une biopsie, ou d'une résection, donc un bout de tissu, on voit des cellules cancéreuses, on voit des cellules immunitaires, on peut prédire la survie des patients. Jusque-là, ce n'est pas forcément, comme le disent les Américains, « groundbreaking », mais là où c'est intéressant, c'est qu'en fait, on a pu démontrer que l'IA était capable de reconnaître, en regardant des cellules, des motifs qui permettaient de prédire si un patient avait un bon ou un mauvais pronostic. Et alors là les experts vous diront c'est ce que font les anapathes, eux ils regardent au microscope et ils vont. Jean-Frédéric Petit Nivard: [2:45] Graduer la sévérité des cancers en fonction de critères connus comme la vascularisation etc là où c'était intéressant c'est que le modèle d'Ian n'avait pas été entraîné ou en tout cas on ne lui avait pas dit de regarder la vascularisation etc et il a pu redécouvrir, ces éléments là qui étaient connus par la communauté scientifique mais il a pu aussi redécouvrir des nouveaux motifs dans l'image au niveau des cellules, etc., immunitaires, qui étaient liées à une meilleure survie. Monde Numérique : [3:11] Que ne voient pas les scientifiques, les humains. Jean-Frédéric Petit Nivard: [3:14] Les humains, ou en tout cas, qu'ils n'avaient pas regardé. Donc tout d'un coup, ça s'est venu un peu ouvrir les yeux. L'IA, ce n'est pas uniquement bon pour faire des prédictions. Ça peut aussi être un outil de recherche au service de la communauté scientifique pour aller explorer des motifs que l'œil humain ne pourrait pas voir, parce qu'il faut regarder des millions d'images. Et tout d'un coup, s'apercevoir qu'en fait, il y a des motifs biologiques où il y a des concentrations de cellules unitaires, etc., qui peuvent être prédictives d'une meilleure réponse, d'une meilleure survie. Et derrière ça, ça va alimenter la recherche pour se dire, mais pourquoi ? Pourquoi, en fait, une densité de cellules immunitaires à côté de la tumeur, un endroit qu'on ne regardait pas, permet de comprendre pourquoi certains patients vont vivre plus longtemps. Et en fait, ça a été le début un peu de beaucoup de travaux de recherche. Et nous, on est vraiment passionnés par ça, d'utiliser l'IA au service de la recherche scientifique pour essayer de nous permettre de progresser sur notre Jean-Frédéric Petit Nivard: [4:03] compréhension des mécanismes sous-jacents, qui sont éminemment complexes. Moi, je suis ingénieur à la base. Monde Numérique : [4:09] Pas médecin. Jean-Frédéric Petit Nivard: [4:10] Pas médecin. Non, non, moi j'ai fait une école d'ingénieur en France. Et c'est ça qui me passionne, en fait. C'est de réussir à aller explorer cette science qui est éminemment complexe, éminemment diffuse, pas du tout, on va dire, déterministe, où chaque cellule est déjà, même au niveau de la cellule humaine, on a du mal à la modéliser, alors qu'il y a beaucoup de choses dans les sciences aujourd'hui autour de nous qui sont très déterministes. On sait que quand on fait ça, il y a ça qui se produit. Eh bien, la biologie, ce n'est pas ça. C'est ça qui a fait une science très belle et très riche. Monde Numérique : [4:39] Alors, vous travaillez avec de nombreux centres médicaux et centres de recherche à travers le monde, aujourd'hui. C'est-à-dire que votre solution, vos solutions sont utilisées et ce n'est pas des projets. On est dans le réel. Jean-Frédéric Petit Nivard: [4:52] Tout à fait. Et en fait, c'était vraiment la base de Dawkins, c'était de se dire que nous, notre vocation, c'est de faire avancer la science et de toute manière, on ne pouvait pas y arriver tout seul. Ça veut dire qu'on avait besoin de partenaires académiques qui, eux, on va dire pratiquent la médecine au quotidien, qui voient des patients. Et c'est ça la matière première. On ne va pas l'inventer, on ne va pas demander à une IA de recréer un être humain, il faut partir de la base, il faut partir de l'être humain et des pathologies et des maladies pour essayer de mieux les comprendre. Donc oui, dès le départ on a travaillé très étroitement avec beaucoup de centres en France, l'Institut Bergonier, la PHP, les Sospices Civils de Lyon, voilà, et j'en oublierai parce qu'il y en avait beaucoup qui, ben voilà, ont voulu collaborer, ont voulu travailler avec nous pour, Jean-Frédéric Petit Nivard: [5:38] pour faire des projets scientifiques de recherche. Monde Numérique : [5:41] Donc aujourd'hui, il y a des médecins qui sont, des patients qui sont soignés grâce à votre technologie ? Jean-Frédéric Petit Nivard: [5:45] Alors aujourd'hui, on a des patients qui bénéficient de premiers outils diagnostiques qu'Aukin a produit. Alors c'est tout un process, parce que forcément, dès que vous cherchez à impacter la vie d'un patient, c'est normal, il faut répondre à tout un tas de validations réglementaires pour vérifier qu'on n'est pas en train de faire des prédictions hasardeuses, mais aujourd'hui on a des outils diagnostiques qui ont été validés, qui ont un marquage CE, et donc qui peuvent être utilisés dans les centres hospitaliers pour la pratique clinique, donc pour procurer des soins aux patients. Et ça, c'est une grande fierté pour Hawkin, qui est une boîte à la part vraiment de recherche scientifique, quand on voit que la recherche se traduit par des outils qui servent aux cliniciens et qui permettent aux patients potentiellement d'avoir un meilleur traitement, ou en tout cas, de mieux diagnostiquer leur maladie pour leur permettre de recevoir le traitement le plus optimal possible, c'est une grande fierté. Et donc ça, on a travaillé très étroitement avec Gustave Rossi, avec Fabrice André, avec des centres aussi en Angleterre, en Allemagne, et voilà. Donc ça, c'est les premiers résultats. C'est des outils diagnostiques, mais on espère aussi que derrière, on puisse aider à faire lancer des nouveaux traitements. Alors ça, c'est un processus encore plus long, puisqu'il faut découvrir la molécule, il faut la tester sur l'homme, et il faut montrer qu'il y a une supériorité par rapport au traitement qui existe déjà, et c'est un processus long. Donc voilà, on a une entreprise qui a 10 ans aujourd'hui, mais il faudra encore quelques années. Monde Numérique : [7:10] Du chemin parcourir, en tout cas, du pain sur la planche. Monde Numérique : [7:14] Les technologies que vous utilisez, donc c'est vous qui avez tout développé, from scratch, comme on dit ? Jean-Frédéric Petit Nivard: [7:20] C'est un peu plus technique maintenant. Oui, et ce n'est pas moi qui fais les modèles, mais on va dire qu'on a bénéficié aussi de beaucoup de modèles, beaucoup de technologies qui ont été poussées d'abord par les entreprises technologiques, comme Meta, Google, etc., pour des applications très différentes de la nôtre. Mais in fine, ceux qui ont inventé CNN pour imaginer, pour reconnaître des chats, etc., nous, c'est des technologies comme ça qu'on a utilisées, qu'on a appliquées pour des images, mais plus de chats et de chiens, mais des images de tissus et de cellules. Et donc, c'est vrai qu'il y a, en tout cas, c'est un domaine très riche avec beaucoup, beaucoup de découvertes, beaucoup de publications. Et nous, on essaye à notre modeste échelle d'y contribuer, de faire avancer la science, avancer les méthodes. Donc, on a des papiers un peu théoriques. On a beaucoup travaillé sur des approches théoriques type Federated Learning. Donc, c'est une approche pour entraîner des modèles sur des données qui ne sont pas centralisées, mais qui sont distribuées, et sur lesquelles on a beaucoup publié. et il y a certains des gens chez Owkin qui ont beaucoup de références parce que leurs papiers ont été cités de nombreuses fois dans d'autres revues. Monde Numérique : [8:23] D'accord. Donc, c'est des outils qui travaillent, qui doivent brasser des millions de données, qui ont besoin de ressources, en fait, qui ont besoin de ressources matérielles, etc. Jean-Frédéric Petit Nivard: [8:36] Oui, moi, les ressources, alors après, il y a les données pour entraîner le modèle, et ça, c'est grâce à nos partenaires académiques. Et puis après, il y a les modèles. Donc, on peut définir différents types d'architecture de modèles, avec différentes stratégies en fonction de quelles questions on veut essayer de résoudre. Et après il y a un apprentissage de ces modèles ça veut dire qu'on va leur nourrir, accès à des données pour que petit à petit le modèle apprenne à reconnaître des motifs qui sont liés à un outcome à quelque chose qu'on cherche à prédire, et c'est un peu là où je pense qu'il y a aussi un savoir-faire c'est comment on entraîne ces modèles de façon intelligente, parce qu'un modèle qui va utiliser à reconnaître des motifs sur des images ça ne va pas être le même modèle qu'on va utiliser pour, par exemple sur d'autres types de données, des données génomiques, des données textuelles. On a beaucoup parlé des large language models, ce qui marche très bien sur du texte. Ça peut marcher beaucoup moins bien sur du tissu, même si aujourd'hui on voit de plus en plus cette catégorie-là de modèles prédictifs s'appliquer de mieux en mieux sur des données. Monde Numérique : [9:45] C'est ce que vous utilisez, des LLM ? Jean-Frédéric Petit Nivard: [9:46] Oui, on en fait. On a utilisé aussi des CNN. Bon, ça, c'est différentes structures de modèles. Et après, il y a différentes méthodes pour les entraîner. Il y a aussi un gros aspect, en tout cas en santé, il y a beaucoup de gens qui parlent de modèle fondation, foundation model. Et ça, alors moi, quand je discute avec mes ingénieurs chez nous, c'est de se dire, comment on fait quand on a une donnée brute pour la représenter sous forme mathématique ? Et en fait, c'est une étape un peu critique, parce que quand on réfléchit à des données de séquençage, ou des données même de pixels, d'images, ce ne sont pas des données qu'on peut facilement mettre dans un modèle prédictif. Un modèle prédictif, il veut voir des vecteurs. Donc, il veut voir des nombres, et il veut utiliser ces nombres pour prédire d'autres nombres. Et un pixel, on peut dire que c'est des nombres, etc., mais ce n'est pas encore une bonne représentation d'une image. Et donc, nous, on a beaucoup utilisé des modèles fondations pour ce qu'on appelle faire du representation learning. Donc ça veut dire comment des pixels, une image, des cellules, on arrive à en faire une représentation mathématique qui permet après de bien prédire des caractéristiques qui nous intéressent. Et là-dessus, il y a une vraie intelligence parce que si on le fait bien, derrière, on peut interpréter ce qui s'est passé. C'est-à-dire qu'on va pouvoir revenir au vecteur et au vecteur, on va revenir à l'image brute ou aux données brutes et de se dire bon, en fait, c'est ça qui est important. D'accord. Monde Numérique : [11:10] Aujourd'hui, Owkin répond à quelles questions en fait, pour le malade, pour le patient. Jean-Frédéric Petit Nivard: [11:16] Alors, beaucoup, ça a été de se poser la question, mais qui sont les patients qui vont bénéficier du traitement ? Qui sont les patients les plus à risque ? Qui sont les patients qui ont réellement cette condition ? Et comment on peut mieux diagnostiquer cette condition ? Donc, c'est beaucoup d'éléments autour de mieux comprendre ce qu'on appelle la biologie autour d'une maladie et comprendre les sous-ensembles dans cette maladie. Parce que c'est très rare, en fait, d'avoir une maladie qui est complètement homogène. Dans toute maladie il y a des sous-ensembles de patients qui partagent des caractéristiques communes et qui donc vont répondre de façon différente à des interventions thérapeutiques, et nous ça a été un élément un peu phare, et derrière si on peut mieux comprendre, on peut mieux développer des nouveaux traitements, cibler les patients qui vont le plus bénéficier de ces traitements expérimentaux. Monde Numérique : [12:07] Encore deux questions, si on dézoome un petit peu sur ce sujet-là, vous êtes français mais vous travaillez aussi beaucoup aux Etats-Unis comment vous voyez l'état de l'art en France dans ce domaine on est où on est bon on est comment. Jean-Frédéric Petit Nivard: [12:21] Je pense que c'est encore une fierté française et on a raison ça veut dire qu'il y a des très belles entreprises d'IA en France et ça continue et ça c'est quelque chose dont il faut se réjouir, Voilà, profitons-en. Monde Numérique : [12:33] Vous pensez à Mistral et autres ? Jean-Frédéric Petit Nivard: [12:34] Oui, je pense à Mistral et je pense à d'autres. Même en santé, il y a Nabla qui marche très très bien. Il y en a beaucoup d'autres. Il y a des très belles success stories françaises. Et je pense que c'est grâce aussi à nos écoles d'ingénieurs, au système éducatif, tout ce qui a été construit. Et aujourd'hui, on a des très bons ingénieurs en France. Monde Numérique : [12:53] Ils aiment bien partir aux États-Unis aussi. Jean-Frédéric Petit Nivard: [12:55] C'est le problème, c'est qu'on les forme très bien. Mais après, derrière, en termes d'opportunités de carrière, c'est sûr qu'il y a plus d'opportunités de carrière aux États-Unis aujourd'hui qu'en France. Jean-Frédéric Petit Nivard: [13:04] Et donc, ça a tendance à attirer beaucoup d'ingénieurs de l'autre côté de l'Atlantique. Monde Numérique : [13:09] C'est quoi les prochaines étapes pour Rockin ? Jean-Frédéric Petit Nivard: [13:11] Là, on a lancé Capro, notre nouvelle solution qui permet de faciliter la recherche biomédicale avec l'utilisation d'agents et de LLM, etc. Je pense que nous, il y a une étape importante aussi qui va être les premiers résultats de notre essai clinique. On n'en a qu'un seul. Donc, on a une étude en phase 1. Donc, c'est la toute première étape quand on teste un nouveau médicament qui est en cours, qui recrute des patients. Et ça, ça va être très important pour nous de montrer que, en fait, l'hypothèse qu'on a faite sur ce traitement pour ces patients est confirmée. Moi, en tout cas, c'est quelque chose dont j'attends avec impatience parce que c'est vrai que ça donne du sens à notre travail au quotidien. Monde Numérique : [14:00] Et ça, vous le faites où, en France ? Jean-Frédéric Petit Nivard: [14:01] Et alors ça, c'est une étude qui a lieu sur plusieurs géographies. Je crois qu'il y a des patients qui sont recrutés en Australie, en Europe et aux États-Unis. D'accord. Alors, je ne sais pas pourquoi. Là, ce n'est pas moi qui suis expérimenté. Monde Numérique : [14:13] Donc, on les traite et vous, vous examinez les résultats ? Oui, on va examiner les résultats. Jean-Frédéric Petit Nivard: [14:19] Et après, il y a aussi un peu d'intelligence qui a été mise dans essayer de comprendre pourquoi on ciblerait ces patients-là en priorité. Qu'est-ce qu'on a compris des caractéristiques de leur maladie par rapport au profil de la nouvelle molécule qu'on veut tester ? Donc ça, c'est un élément important. Il y a K-Pro, il y a aussi des nouveaux outils diagnostiques qui vont sortir. Monde Numérique : [14:44] Merci beaucoup Jean-Fédéric Petit-Nivard de la société Owkin. Jean-Frédéric Petit Nivard: [14:49] Merci Jérôme.