Guillaume, promo 2019, data scientist e-santé

Double diplôme d’ingénieur ESILV et data scientist de l’Ecole Polytechnique en poche, Guillaume Fradet, promotion 2019, a découvert le domaine de la e-santé. Après une spécialisation dans la robotique humanoïde, Guillaume a commencé à s’intéresser aux possibilités du deep learning pour améliorer la radiologie conventionnelle.

Après 2 stages réussis chez SoftBank Robotics et Altran Research, Guillaume a choisi la e-santé, plus particulièrement  les applications de l’IA autour des radiographies pratiquées dans les centres médicaux.

Son dernier sujet d’intérêt, l’adaptation de domaine en imagerie médicale, a fait l’objet d’un article de recherche publié sur Linkedin. En tant que data scientist au sein de la start-up AZmed, Guillaume partage la même mission : « permettre aux médecins de passer plus du temps sur ce qui est le plus important : les patients. » 

L’ESILV : vie associative, stages, double-diplôme …

J’ai intégré l’ESILV en 2014, directement après le BAC en passant le concours Avenir. Pendant les deux premières années de prépa intégrée, j’ai pu m’investir dans la vie associative de l’école, notamment au sein de l’association de robotique nommée DaVinciBot. J’ai participé à deux reprises à la coupe de France de Robotique, en 2016 et 2017.

Les années de tronc commun généraliste ont confirmé mon envie de rejoindre la majeure Informatique, objets connectés et sécurité. Cependant, le monde de l’informatique étant très vaste, je ne m’étais pas encore fixé sur une spécialité et je me laissais le temps de le découvrir davantage avant de faire un choix.

J’ai alors effectué un semestre aux Etats-Unis, suivant des cours de Computer Science à Louisiana Tech University. Le semestre suivant, en deuxième année de cycle ingénieur, a marqué un tournant.

J’ai découvert à l’ESILV le Machine Learning. J’ai su immédiatement que c’était dans cette branche que je voulais continuer. Alors, en dernière année, j’ai suivi le Master 2 Data Science de l’Ecole Polytechnique et de l’université Paris-Saclay, dans le cadre d’un double diplôme. J’y ai acquis de solides connaissances pratiques et théoriques, qui me permettent maintenant de continuer dans la recherche.

Ce Master 2 étant en partenariat avec plusieurs écoles, les cours étaient dispensées sur les différents campus. En fonction des spécialités des écoles et des enseignants, certains cours se faisaient à l’Ecole Polytechnique, d’autres à Telecom ParisTech, à l’ENSAE, etc. Tous les cours validés avec ce Master m’ont permis d’obtenir les crédits nécessaires à valider ma dernière année à l’ESILV. 

De la Data Science à la santé : la quête du sens

L’avantage de travailler dans l’informatique est certainement le fait qu’on puisse l’appliquer dans de nombreux domaines. Comment passer de la robotique à l’e-health ? Simplement par la volonté. Au cours de ma dernière année d’étude, j’ai cherché à identifier les secteurs dans lesquels je souhaitais travailler.

Animé par une quête de sens, comme beaucoup de jeunes de ma génération, le secteur de la santé s’est très vite retrouvé en tête de liste. J’ai aussi réalisé – grâce à l’expérience de mes proches travaillant dans ce milieu – à quel point la transformation qu’allait subir ce secteur serait profonde et importante. L’IA ayant un rôle à jouer dans cette mutation, je me suis mis en tête d’intégrer un projet ayant pour ambition de révolutionner les pratiques actuelles.

 Dans le cadre de mon Master 2, j’ai effectué un stage de recherche de 6 mois au sein d’Altran Research. L’objectif de mon stage était de développer un algorithme capable de prédire la malignité de tumeurs adipeuses à partir d’images IRM. La classification de ces tumeurs nécessite aujourd’hui une biopsie, invasive pour le patient et coûteuse pour les organismes de santé.

Mon travail a principalement consisté à comparer et développer deux approches. La première reposait sur une classification à partir de données radiomiques, caractérisant l’image médicale et la tumeur grâce à de multiples variables. La deuxième approche de classification se basait directement sur les images IRM, et faisait intervenir des algorithmes de deep learning.

Les résultats de cette étude ont été encourageants (comme expliqué dans ce rapport), et un travail de validation des modèles sur une nouvelle cohorte de patients suit actuellement son cours. Ce stage ayant confirmé ma volonté de continuer dans l’imagerie médicale, j’ai ensuite rejoint la start-up et medtech AZmed, où j’exerce actuellement en tant que chercheur en deep learning.

Cette start-up a été créée dans le but de répondre à une réelle problématique en radiologie. Le nombre d’actes d’imagerie médicale a doublé en 10 ans, alors que le nombre de radiologues stagne à +2 %. La nécessité d’outils d’aide à la décision est donc devenue primordiale pour faire gagner un temps précieux aux médecins. Face à ce constat, nous avons développé un algorithme nommé Rayvolve, capable de détecter automatiquement les lésions osseuses (e.g. fracture) sur radiologie conventionnelle.

L’algorithme, certifié CE, est d’ores et déjà déployé dans plusieurs hôpitaux et cliniques radiologiques, proposant un prédiagnostic aux radiologues et médecins urgentistes dès qu’une radio est ajoutée à leur base de données centrale (PACS). Mon travail de chercheur au sein d’AZmed consiste à toujours améliorer les performances de nos algorithmes, notamment pour qu’ils généralisent mieux d’un centre médical à un autre. C’est une problématique bien connue dans le milieu de l’apprentissage automatique, nommée Domain Adaptation. J’ai récemment tâché d’expliquer ce concept en y apportant quelques solutions dans cet article : Domain Adaptation : la clé du déploiement des algorithmes à grande échelle.

Combiner IA et santé : les pistes pour trouver un emploi dans la médecine du futur

 On parle aujourd’hui de la médecine des quatre “P” : Prédictive, Préventive, Personnalisée et Participative. Nul doute que l’IA soit un des leviers pour arriver à cette médecine du futur. La fascinante médecine personnalisée repose d’ailleurs sur une agrégation massive de données, dont le traitement ne pourra être fait que par la machine.

L’IA nous permet aussi d’être plus fin sur le diagnostic, rendant parfois possible une détection précoce de la maladie. Or il est connu qu’un diagnostic précoce augmente considérablement les chances de réussite d’un traitement. Je travaille personnellement uniquement sur des projets visant à poser des diagnostics, mais l’IA peut aussi intervenir sur les pronostics ou sur la découverte de nouveaux médicaments. Les applications sont nombreuses et nous en sommes encore aux prémices.

Les entreprises et laboratoires de recherche combinant IA et santé ne sont pas encore très nombreux. Il en va de même pour les offres d’emploi.

Mon conseil est de faire un vrai travail de recherche pour cibler ses candidatures. Contactez directement les organismes qui vous intéressent et insistez sur votre motivation. Montrez vos compétences et vos intérêts à travers des projets open source. Participez à des événements, conférences et colloques qui regroupent des professionnels des deux domaines.

Je pense particulièrement à DataJob Santé car c’est à cet événement que j’ai rencontré AZmed. Suivez aussi des cours spécialisés en plus de votre cursus, comme le MOOC de deeplearning.ai intitulé AI for Medicine. Cela montrera votre motivation tout en complétant votre formation. Enfin, réfléchissez à la possibilité de continuer en thèse. Étant encore aux prémices de l’IA dans le médical, de nombreux sujets excitants sont ouverts.