Intelligence

artificielle en
Rhumatologie
Maryame Boutkhil
Juin 2022
 PLAN
I. Introduction
II. Artificial intelligence / Machine learning/ Deep
learning : Definitions, Comment ça marche?
III. Exemples d’application de l’intelligence
artificielle en rhumatologie
IV. Challenges
V. Au Maroc
VI. Conclusion
 Sujet d’actualité
“We should stop
training radiologists
now. It's just
completely obvious
that within five years,
deep learning is going
to do better than
radiologists.”

Geoffrey Hinton, PhD, a

professor emeritus at the
University of Toronto during a
conference in 2016. Mr Hinton is
a world known expert in Artificial
Intelligence.
 Pourquoi?
• Puissante, aussi performante que l’humain (parfois plus).
• Capacité de mémoriser et connecter une quantité importante
de données

• Capacité de mettre en évidence des caractéristiques qui

passent inapercues.
• Capacité d’apprendre indépendamment.
Meilleure prise en charge des patients
1-  LANCE WHITNEY . 2017 . Are Computers Already Smarter Than Humans? Times.
2- The American Medical Association. AMA passes first policy recommendations on augmented intelligence. 2018.
3- Jonathan Guo and Bin Li. 2018.T he Application of Medical Artificial Intelligence Technology in Rural Areas of Developing Countries.
Health equity
 PLAN
I. Introduction
II. Artificial intelligence / Machine learning/
Deep learning : Definitions, Comment ça
marche?
III. Exemples d’application de l’intelligence artificielle
en rhumatologie
IV. Challenges
V. Au Maroc
VI. Conclusion
Source : DonHee Lee. Application of Artificial Intelligence-Based Technologies in the
Healthcare Industry: Opportunities and Challenges. Int. J. Environ. Res. Public
Health 2021
 Weak AI
AI = Un terme
(1956) qui designe
l’ensemble des
technologies qui
simulent
l’intelligence
humaine afin de
résoudre des
problèmes.
Strong AI ==
Machine learning
Ex = TESLA

Source = https://medium.com/@alanb_73111/artificial-intelligence-vs-machine-learning-vs-
deep-learning-ai-vs-ml-vs-dl-e6afb7177436
AI

ML

DL
Source : Yan Ma and Al (2018). Background Augmentation Generative Adversarial Networks (BAGANs): Effective Data
Generation Based on GAN-Augmented 3D Synthesizing. 
https://machine-learning.paperspace.com/wiki/supervised-unsupervised-and-reinforcement-learning
 Example:
AGE
Probability of
Osteoporosis

SEX
YES

Vit D
intake
NO

Smoking
 Example:
AGE
Probability of
Osteoporosis
FORWARD

SEX
YES

Vit D
intake
NO

Smoking
BACKWARD
= Adjustment of the weights to
correct the error
 Machine learning models

Source :
-Maria Hugle and Al (2020) . Applied machine learning and artificial intelligence in rheumatology Maria Hu¨ gle1
 Etapes pour développer une machine
intelligente
1. Collecter les données
2. Diviser les données en 2 sets
-Training set = Set d’entrainement
-Test set = Set de validation
3. Choisir le modèle ( Le choix se fait selon les objectifs voulus,
la nature des données d’entrée et de sortie...)
4. Entrainer le modèle avec le set d’entrainement = Au fur et
a mesure la machine retrouvera les caractéristiques
(patterns) qui lui permetteront d’arriver au but
5. Tester le modèle sur de nouvelles données = Set de
validation
6. Corriger les erreurs
 PLAN
I. Introduction
II. Artificial intelligence / Machine learning/ Deep
learning : Definitions, Comment ça marche?
III. Exemples d’application de l’intelligence
artificielle en rhumatologie
IV. Challenges
V. Au Maroc
VI. Conclusion
 Exemples d’application de l’intelligence artificielle en
rhumatologie

1. Poser un diagnostic, classer les patients

2. La reconnaissance des images radiologiques
3. Prédire la progression de la maladie
4. Prédire la réponse aux traitements
5. Suivi de la maladie, Communication entre
patient – médecin
 Exemples d’application de l’intelligence artificielle en
rhumatologie

1. Poser un diagnostic, classer les patients

2. La reconnaissance des images radiologiques
3. Prédire la progression de la maladie
4. Prédire la réponse aux traitements
5. Suivi de la maladie, Communication entre
patient – médecin
 • Objective :Identifier les facteurs dans le developpement de l’arthrite érosive chez les
patients atteints de Lupus.
• Methods : Cohort of 120 SLE , 80% dans le training and 20% dans le set de validation
• Les patients ont été divisé selon la présence : d’arthralgies ou arthrites
• Les données démographiques, cliniques, et biologiques and thérapeutiques ont été évalués
• Model used = Logistic Regression and Decision Trees in conjunction with the feature
selection Forward Wrapper method.

Source : Access through https://doi. org/10.1371/journal.pone.0207926

•Performance of the 2 models = AUC
•Most relevant features classified as positive = anti-CarP, ACPA
•Most relevant features classified as negative = arthralgia  only SLE patients with at
least one arthritis episode develop erosive damage.
 Exemples d’application de l’intelligence artificielle en
rhumatologie

1. Poser un diagnostic, classer les patients

2. La reconnaissance des images radiologiques
3. Prédire la progression de la maladie
4. Prédire la réponse aux traitements
5. Suivi de la maladie, Communication entre
patient – médecin
Objective = developper et valider un réseau de neurones artificiels pour la detection de
sacroiliite radiographique dans la SpA.
Methods =
-Patients with SpA were taken from the : Registre PROOF, (n = 2170 with 1553 Rx SpA) et
Cohort GESPIC( n=525 with 458 Rx SpA).
-Divisé en 2 sets = d’entrainement et de validation.
-Model used = Convolutional neural network (ResNet-50 architecture) pré-entrainé sur
ImageNet-1k dataset, incluant plus de 1.28 million images
A = Training set
B = Test set

AUC = 0,969
Sensitivity of 88 %
Specifity of 95%
Access through = https://www.axspa.de/index.html
 Exemples d’application de l’intelligence artificielle en
rhumatologie

1. Poser un diagnostic, classer les patients

2. La reconnaissance des images radiologiques
3. Prédire la progression de la maladie
4. Prédire la réponse aux traitements
5. Suivi de la maladie, Communication entre
patient – médecin
 Objectives :
-Développer un modèle qui va prédire l’activité de la polyarthrite rhumatoide lors de la prochaine
consultation (Clinical Disease Activity Index (CDAI) for Rheumatoid Arthritis)
-Derterminer les variables avec le plus d’impact sur le résultat
-Etudier la performance du modèle sur une population différente
Methods :
-2 populations de 2 different hospitals :578 UH patients= set d’entrainement , 242 SNH patients = set
de validation
Models used :
-- Outcome posterior classifier
--Change posterior classifier
--Deep learning

The code to build and train the model is openly available on github.
Source = Norgeot B, Glicksberg BS, Trupin L, et al. Assessment of a deep learning model based on electronic health
record data to forecast clinical outcomes in patients with rheumatoid arthritis. JAMA Netw Open. 2019;2(3):e190606.
 2)

1) The performance best deep learning

model (Figure 1) demonstrated excellent
forecasting (AUROC, 0.91; 95% CI, 0.86-
0.96) in the UH test cohort (n = 116). Both
baselines demonstrated near-random
performance (outcome posterior classifier:
AUROC, 0.54; 95% CI, 0.44-0.63; change
posterior classifier: AUROC, 0.55; 95% CI,
0.46- 0.64)

3) The model performed relatively well when we changed

the setting ( AUROC = 0.75)/Compared to an AUROC of 0.91
in the training hospital
 Exemples d’application de l’intelligence artificielle en
rhumatologie

1. Poser un diagnostic, classer les patients

2. La reconnaissance des images radiologiques
3. Prédire la progression de la maladie
4. Prédire la réponse aux traitements
5. Suivi de la maladie, Communication entre
patient – médecin
Objective = Predire la non réponse aux Anti-TNF dans la PR
Methods = 2 cohorts
-ESPOIR = Training set
-ABIRA = test set
Le traitement a été divisé en = Monoclonal antibodies/
La définition de la réponse thérapeutique = EULAR response criterias
Models= Random forest, Catboost
 Exemples d’application de l’intelligence artificielle en
rhumatologie

1. Poser un diagnostic, classer les patients

2. La reconnaissance des images radiologiques
3. Prédire la progression de la maladie
4. Prédire la réponse aux traitements
5. Suivi de la maladie, Communication entre
patient – médecin
• Suivi des patients à distance
• vDAS (Virtual Disease Activity Score) : Les
synovites identifiés en fonction d’un système
intelligent de mesure des amplitudes de
mouvement avec une précision de 94%. Integrer
tous paramètres (IA, IS, EVA, CRP/VS) pour
calculer l’activité
• Permet aux patients de notifier le médecin
d’évetuelles poussées de la maladie
• Triage : Déterminer quels patients à voir en
premier
 Accessible pour les patients et médecins à travers
les smartphones, tablettes et ordinateurs.

Founded by : Arthronica, a digital health tech start-up company

that originally spun-out from the bioengineering department of
Imperial College London in 2018.
Access through : https://www.arthronica.com/
 PLAN
I. Introduction
II. Artificial intelligence / Machine learning/ Deep
learning : Definitions, Comment ça marche?
III. Exemples d’application de l’intelligence
artificielle en rhumatologie
IV. Challenges
V. Au Maroc
VI. Conclusion
 Challenges
• Système de collecte d’informations adapté =EHR
• Assez de données , de qualité, diversifiés, d’extraction facile =

• Interopérabilité ? Entre différentes populations == S’assurer que le set où s’effectue

le training   et le  testing  reflète la population pour laquelle sera destiné le
programme++
• Performante surtout dans les spécialités ou l’imagerie prédomine; radio, anapath,
dermato…. Et dans les taches « Ultra » spécialisées

Source : J. Raymond Geis, Ethics of Artificial Intelligence in Radiology: Summary of the Joint
European and North American Multisociety Statement.
 • Peut se faire avoir !
(Ex : artefacts en radiologie)

Sources :
-Heaven, D. (2019). Why deep-learning AIs are so easy to fool . Nature
 • “Catastrophic forgetting”= "L'oubli
catastrophique"
• Les systèmes d'IA ne comprennent pas la
causalité

Contrairement aux humains

• Ethique ! :
Qui a accès aux données, aux modèles?
Les biais ++  Diversification +++
Source :
-Elias Bareinboim . What AI still can’t do. 2020
-KAVEH WADELL. (2018). Biases are being baked into artificial intelligence
 PLAN
I. Introduction
II. Artificial intelligence / Machine learning/ Deep
learning : Definitions, Comment ça marche?
III. Exemples d’application de l’intelligence
artificielle en rhumatologie
IV. Challenges
V. Au Maroc
VI. Conclusion
 Au Maroc

PRINCIPAL CHALLENGE
= DATA +++
-Informatisées
-De quantité suffisante
-Organisées et facile d’extraction
-Diversifiées +++
Source :
- S. Benamar et al., "Diabetic Retinopathy Screening and Management in Morocco: Challenges and Possible Solutions," 2021, pp. 1-8, doi:
10.1109/ICDS53782.2021.9626731.
 Conclusion
• Un outil qui permettera de nous aider a créer de
nouvelles perceptions et connaissances enfouies dans
un tas énorme de DATA auquel nous faisons face
• Permettra de mettre en contexte tout le volume
d’informations que nous traitons quotidiennement
pour en tirer une valeur ajoutée pour notre societé
 Merci !

En combien de temps pensez-vous pouvoir reconnaitre chacune de ces

images ?
Une machine intelligente reconnaitera plus de 1000 images en moins
de 10 minutes avec beaucoup moins d’erreurs que vous ne le ferez.