DĂ©ploiement d’un modĂšle d’Intelligence Artificielle en MedTech : Processus technique pour un dispositif mĂ©dical certifiĂ© CE

5 novembre

L’industrialisation d’un modĂšle IA pour en faire un dispositif mĂ©dical implique de franchir de nombreux obstacles techniques et rĂ©glementaires. DĂ©couvrez cette confĂ©rence d'Intrasense lors de la confĂ©rence MedTech_IA, la confĂ©rence organisĂ©e par Flint et KYomed INNOV.

L’industrialisation d’un modĂšle IA pour en faire un dispositif mĂ©dical implique de franchir de nombreux obstacles techniques et rĂ©glementaires. En passant des essais en laboratoire Ă  un produit dĂ©ployĂ© dans les hĂŽpitaux, les dĂ©veloppeurs doivent composer avec des exigences strictes. Lors de la confĂ©rence MedTech_IA organisĂ©e par Flint et KYomed INNOV, Nicolas Di Francesco (QARA Manager) et FrĂ©dĂ©ric Champ (CTO) chez Intrasense nous prĂ©sentent un retour d'expĂ©rience sur la transformation des prototypes de recherche en dispositifs mĂ©dicaux prĂȘts Ă  l’usage.

‍

‍

Pourquoi optimiser un modĂšle d’IA pour les dispositifs mĂ©dicaux ?

Les modĂšles d’intelligence artificielle en MedTech proviennent souvent de projets de recherche, mais ils doivent ĂȘtre adaptĂ©s pour rĂ©pondre aux exigences cliniques et rĂ©glementaires des dispositifs mĂ©dicaux. L’IA en radiologie, par exemple, doit fournir des rĂ©sultats rapides et fiables pour ĂȘtre adoptĂ©e par les professionnels de santĂ©. Cette transformation en produit mĂ©dical se dĂ©roule en plusieurs Ă©tapes pour garantir qu’il soit :

  • Fiable et prĂ©cis : Le modĂšle d’IA doit ĂȘtre validĂ© cliniquement pour rĂ©duire les erreurs, comme les faux positifs et faux nĂ©gatifs.
  • Rapide : Les modĂšles IA en MedTech doivent fournir des rĂ©sultats en temps quasi-rĂ©el.
  • Disponible et interopĂ©rable : Le dĂ©ploiement de l’IA dans un hĂŽpital implique une architecture cloud robuste et compatible avec les normes de donnĂ©es mĂ©dicales.

Étapes clĂ©s de l’industrialisation d’une IA mĂ©dicale

L’industrialisation d’une IA pour un usage mĂ©dical repose sur des mĂ©thodologies de design control et des Ă©tapes de validation de chaque spĂ©cification technique.

DĂ©finition des exigences techniques et cliniques

Pour un produit MedTech conforme aux standards europĂ©ens, chaque exigence clinique est transformĂ©e en requirements techniques avec traçabilitĂ© complĂšte. Par exemple, un modĂšle d’IA pour la dĂ©tection de lĂ©sions en oncologie doit dĂ©finir :

  • Une architecture logicielle rĂ©pondant aux besoins de prĂ©cision et de rapiditĂ©,
  • Des spĂ©cifications de sĂ©curitĂ© pour assurer la sĂ»retĂ© des patients,
  • Des tests de vĂ©rification pour valider que chaque composant respecte les exigences rĂ©glementaires.

‍

‍

Optimisation du modùle d’IA pour la production

Les modÚles IA, initialement créés avec des frameworks comme TensorFlow ou PyTorch, nécessitent des ajustements pour une performance maximale dans des environnements de production en MedTech. Voici quelques optimisations techniques courantes :

  • Quantification et Prunage : Des techniques comme le float16 permettent de compresser les modĂšles sans rĂ©duire leur prĂ©cision.
  • Adaptation CPU/GPU : Bien que les GPU soient privilĂ©giĂ©s pour des charges intensives, les tĂąches d’infĂ©rence rapide peuvent ĂȘtre gĂ©rĂ©es par des CPU moins coĂ»teux.

Ces optimisations réduisent les coûts et améliorent la rapidité des prédictions. Des tests montrent que, pour certains modÚles IA, l'exécution sur CPU offre des gains financiers significatifs par rapport aux GPU, tout en maintenant une précision élevée.

‍

Normes de conformité et réglementations en IA médicale

Pour garantir la sĂ©curitĂ© et la qualitĂ© des dispositifs mĂ©dicaux, un modĂšle d’IA MedTech doit ĂȘtre conforme aux normes ISO et IEC applicables aux dispositifs mĂ©dicaux logiciels.

ISO 13485 : SystÚme de Management de la Qualité (QMS)

La conformitĂ© aux normes MedTech, comme l’ISO 13485, assure une gestion stricte de la qualitĂ©. Dans le domaine de l’IA, cela inclut :

  • ContrĂŽle de version et documentation pour chaque mise Ă  jour du modĂšle,
  • Gestion des incidents et suivi des anomalies pour garantir la sĂ©curitĂ© clinique.

IEC 62304 : Processus de Développement Sécurisé

Les modĂšles d’intelligence artificielle doivent respecter des pratiques rigoureuses en termes de sĂ»retĂ© logicielle, telles que celles dĂ©finies par la norme IEC 62304. Cela implique des tests de rĂ©gression rĂ©guliers et des contrĂŽles de sĂ©curitĂ© sur chaque composant du modĂšle.

‍

Déploiement en production dans le Cloud : Scalabilité et sécurité

Une fois le modĂšle d’IA optimisĂ©, il est intĂ©grĂ© dans une architecture cloud robuste et interopĂ©rable, un prĂ©requis pour tout produit MedTech dĂ©ployĂ© Ă  large Ă©chelle.

Orchestration avec Kubernetes et Dockerisation

Pour une IA en MedTech, la scalabilitĂ© est essentielle. GrĂące Ă  des conteneurs Docker et l’orchestration par Kubernetes, chaque composant de l’algorithme peut ĂȘtre gĂ©rĂ© et adaptĂ© aux besoins en ressources.

  • Scaling dynamique : Kubernetes ajuste automatiquement les instances en fonction de la charge,
  • Orchestration multi-cloud : Les zones gĂ©ographiques sont optimisĂ©es pour garantir une faible latence et un accĂšs rapide aux donnĂ©es.

Interopérabilité des données médicales et sécurité

L’IA en santĂ© doit pouvoir Ă©changer des informations en toute sĂ©curitĂ© avec les systĂšmes hospitaliers. Intrasense a implĂ©mentĂ© une solution compatible avec les normes DICOM et HL7, utilisant un agent local pour pseudonymiser et crypter les donnĂ©es mĂ©dicales avant leur transfert.

Les données patient sont pseudonymisées pour garantir le respect des normes RGPD et éviter les fuites de données sensibles.

‍

MaĂźtrise des coĂ»ts et optimisation FinOps pour l’IA en MedTech

Les projets MedTech basĂ©s sur l’intelligence artificielle nĂ©cessitent une gestion rigoureuse des coĂ»ts pour Ă©viter de pĂ©naliser les Ă©tablissements de santĂ©. Des pratiques de FinOps sont appliquĂ©es pour rĂ©duire les frais de fonctionnement.

  • Surveillance des coĂ»ts en temps rĂ©el : En utilisant des outils comme Prometheus et Grafana, les clusters Kubernetes sont surveillĂ©s en continu pour ajuster dynamiquement les ressources,
  • Allocation CPU/GPU ajustĂ©e : Les tĂąches critiques utilisent les GPU uniquement lorsque nĂ©cessaire, tandis que les CPU sont privilĂ©giĂ©s pour les tĂąches moins intensives.

‍

Ces optimisations garantissent une rentabilitĂ© et un Ă©quilibre entre performance et coĂ»t, essentielles pour l’IA en production dans le secteur MedTech.

‍

Conclusion

L’industrialisation d’un modĂšle d’intelligence artificielle pour la MedTech reprĂ©sente un dĂ©fi technique et rĂ©glementaire. Ce processus implique une gestion minutieuse des exigences cliniques, des rĂ©glementations de sĂ©curitĂ©, et de la scalabilitĂ© de l’infrastructure cloud pour garantir une adoption large et rĂ©ussie dans les hĂŽpitaux. Avec une combinaison de technologies avancĂ©es, de conformitĂ© ISO/IEC, et de pratiques FinOps rigoureuses, des entreprises comme Intrasense ouvrent la voie vers des dispositifs mĂ©dicaux IA fiables et accessibles.

En conclusion, intĂ©grer l’intelligence artificielle dans les produits MedTech nĂ©cessite non seulement des modĂšles IA performants, mais aussi une maĂźtrise des processus d'optimisation et de conformitĂ© pour en faire des dispositifs mĂ©dicaux vĂ©ritablement utiles en clinique.

‍

Si vous souhaitez continuer d'Ă©changer sur l'intĂ©gration de l'IA / Gen AI dans la medtech, contactez-nous. Nous sommes toujours disponibles pour un cafĂ© 😉

‍

‍