.jpg)
Examinez certains des obstacles actuels auxquels l'IA est confrontée dans le domaine de la santé.
Même si vous ne vous en rendez pas compte, l'intelligence artificielle (IA) est utilisée par des millions de personnes chaque jour. Des voyages à l'immobilier en passant par la fabrication et la banque, l'IA a commencé à remplacer des tâches fastidieuses, des analyses complexes et tout ce qui se trouve entre les deux. Si elles étaient pleinement intégrées au système de santé, des technologies innovantes comme l'IA et la cryogénisation pourraient révolutionner le secteur. Mais nous en sommes encore loin. L'IA commence à peine à s'infiltrer dans le secteur des soins de santé et il existe encore plusieurs obstacles à des applications plus intensives. Nous allons ici nous pencher plus en détail sur certains des plus grands défis auxquels l'IA est confrontée aujourd'hui dans le secteur de la santé.
L'IA s'est profondément intégrée dans de nombreuses industries majeures. Outre son utilisation dans la logistique, les loisirs, les voyages et le commerce électronique, l'IA s'introduit peu à peu dans les établissements médicaux. Aujourd'hui, l'IA est utilisée pour rationaliser les tâches de routine, telles que la facturation des patients, la catégorisation et la comptabilisation des recettes. L'IA contribue également à la gestion de l'établissement.
Dans des applications médicales plus pratiques, l'IA peut être utilisée pour segmenter des images radiographiques et faire des suggestions de traitement sur la base de tests de diagnostic ou de données. L'efficacité s'en trouve améliorée, mais cela ne signifie pas que nous n'avons plus besoin de médecins ou d'infirmières. Les applications actuelles de l'IA dans le domaine de la santé concernent principalement des tâches qui facilitent la vie des professionnels de la santé et les rendent plus efficaces. Elles ne remplacent pas l'individu.
En outre, il ne faut pas confondre les outils d'IA avec l'assistance robotique. Les robots médicaux sont souvent utilisés en chirurgie pour réduire la taille des incisions, atténuer les risques et diminuer les cicatrices, mais ils sont supervisés par un chirurgien ou un médecin. La robotique peut également améliorer les prothèses pour les amputés et aider au nettoyage et à la désinfection. Bien que tous les robots médicaux intègrent une technologie d'intelligence artificielle, toutes les technologies d'intelligence artificielle ne se présentent pas sous la forme d'un robot.
Alors que les solutions de soins de santé basées sur des algorithmes devraient passer de 6,7 milliards de dollars en 2020 à 120,8 milliards de dollars en 2028 [10], plusieurs défis doivent encore être relevés. Non seulement l'IA dans les soins de santé doit respecter des normes éthiques et protéger les données sensibles des patients, mais elle doit également améliorer définitivement les résultats pour les patients afin d'être adoptée. Pour mieux comprendre le combat difficile qui persiste, examinons certains des défis suivants liés à l'adoption d'outils d'IA dans le secteur des soins de santé.
À l'heure actuelle, il n'existe pas de méthode standard pour tester, suivre, analyser et saisir les ensembles de données recueillies par les outils d'IA dans le secteur des soins de santé. Chacun essaie de créer son propre logiciel d'IA pour l'utiliser dans sa région ou son établissement. Il est donc difficile de comparer les résultats et d'améliorer les processus d'apprentissage profond.
En outre, de nombreux outils d'IA liés aux soins de santé sont également développés par des chercheurs en IA qui n'ont pas d'expertise médicale ou par des chercheurs en médecine qui n'ont pas d'expertise en IA [6].
La normalisation des données est indispensable à la réussite future de l'apprentissage automatique dans le secteur des soins de santé. Les chercheurs doivent adopter une approche collaborative de la conception de l'IA et travailler ensemble pour améliorer les modèles existants, plutôt que d'essayer de développer des modèles uniques pour une application personnelle. Comme le dit Technology Review, "l'effort collectif des chercheurs du monde entier a produit des centaines d'outils médiocres, plutôt qu'une poignée d'outils correctement formés et testés" [6].
Pour remédier au manque actuel de normalisation, la société à but non lucratif MITRE Corporation a proposé un dossier médical standard (DMS ). Il s'agirait d'un moyen spécifique, de haute qualité et informatisé de collecter des informations sur les patients. Malheureusement, en raison des coûts élevés d'adoption, l'incitation à mettre en œuvre le DSS et à travailler ensemble est faible.
Lorsque vous effectuez une recherche en ligne, les résultats sont automatisés. Le processus est identique à 100 % pour toute personne effectuant la même recherche. Google utilise l'IA pour ces requêtes et des mots-clés différents génèrent des résultats différents. Ce type d'interopérabilité n'existe pas actuellement dans les établissements de soins de santé.
Comme nous l'avons mentionné, les médecins ne disposent pas d'une méthode d'enregistrement normalisée. Il n'existe pas de méthode systématique d'introduction des données dans les systèmes électroniques ou les bases de données. Même si deux médecins utilisaient les mêmes paramètres pour mesurer les données des patients, les détails concernant les niveaux de stress individuels, le sommeil et le régime alimentaire ne sont pas systématiquement recueillis. Pourtant, ces facteurs peuvent avoir un impact sur les conditions ou les maladies sous-jacentes.
À l'heure actuelle, cela crée des mesures de performance incompatibles pour les applications d'intelligence artificielle. Les informations recueillies ne sont ni complètes ni uniformes dans les différentes bases de données, ce qui peut fausser considérablement les réponses et les prédictions de l'apprentissage automatique. Lorsque les données ne peuvent pas être interprétées, elles ne peuvent pas être utilisées en toute sécurité.
En 2019, près de 75 % des établissements de soins de santé ont indiqué qu'ils avaient "dépassé le niveau fondamental d'interopérabilité, c'est-à-dire la capacité d'échanger des données entre les systèmes d'enregistrement, mais pas nécessairement la capacité d'interpréter les informations" [11].
Pour une utilisation optimale de l'IA dans le domaine de la santé, les modèles et les résultats de l'apprentissage profond doivent être facilement intégrés dans le flux de travail de tous les professionnels de la santé. Les données médicales doivent être compatibles entre les différentes plateformes pour améliorer l'interopérabilité et l'accès.
La numérisation des dossiers des patients a créé un vaste ensemble de données, mais les segments ciblés sont encore incroyablement petits. Les essais cliniques sur l'utilisation de l'IA dans le secteur des soins de santé sont également limités, avec des sujets allant de 50 à 1 000 patients [1]. Même s'il existe des données sur des millions de personnes, une fois les résultats filtrés en fonction des symptômes, des paramètres ou des données démographiques, il se peut que les résultats ne concernent que quelques centaines de milliers de personnes, voire moins [1]. Et c'est le meilleur des scénarios. En général, les données ne sont pas transférées d'un établissement à l'autre en raison du manque d'interopérabilité. Cela réduit encore la normalisation de la recherche et des informations sur les patients.
Par conséquent, l'un des plus grands défis dans le développement et l'essai de modèles potentiels pour l'IA dans les soins de santé est le manque de données de qualité utilisées pour développer des outils d'apprentissage automatique. Lorsque l'IA est construite à partir de données provenant de sources inconnues ou d'individus sous-représentés, cela peut fausser le processus d'apprentissage profond et, par conséquent, altérer les résultats [7].
Un exemple intéressant est celui de l'IA développée pour COVID-19 qui a utilisé un ensemble de données qui, selon un article de Technology Review, "contenait des scanners thoraciques d'enfants qui n'étaient pas atteints de covidie comme exemples de ce à quoi ressemblaient les cas non covidés" [6]. Le résultat est une IA qui a appris à identifier les enfants, et non la covidie elle-même.
Il s'agit d'un problème courant de l'IA dans le secteur des soins de santé. Lorsque les outils d'apprentissage automatique utilisent des données de mauvaise qualité, ils n'obtiennent pas une représentation exacte des données du monde réel.
Ils commettent également des erreurs concernant la corrélation par rapport à la causalité. De meilleures données auraient un impact considérable sur le succès des outils futurs. Elles permettraient de créer une IA médicale qui ne serait pas faussée ou biaisée et de faire de meilleures prédictions en fonction des circonstances individuelles.
L'un des meilleurs moyens d'améliorer la qualité des données est de créer une méthode normalisée de collecte et d'analyse. Les "lacs de données connectés", c'est-à-dire les données sans restrictions schématiques, pourraient contribuer à atteindre cet objectif [8]. Sinon, les données qui ne sont pas correctement formatées ou documentées continueront à entraver le processus de l'IA liée aux soins de santé et ses applications potentielles.
Les fautes médicales sont responsables de milliers de décès inutiles chaque année. Aux États-Unis, elles sont responsables d'une moyenne de 40 000 à 80 000 décès par an [5]. En Allemagne, les fautes médicales sont responsables de 19 000 décès par an [12]. Un grand nombre de ces fautes médicales sont dues à des erreurs de diagnostic. L'intégration d'outils d'IA pourrait améliorer la précision des diagnostics, mais il ne s'agit pas d'un système infaillible.
Ces lacunes ont été mises en lumière après la réalisation de deux grandes études visant à évaluer les outils d'IA prédictive récemment mis au point dans le domaine des soins de santé. Laure Wynants et ses collègues ont évalué 232 algorithmes différents pour diagnostiquer les patients et prédire la gravité de leur maladie - aucun d'entre eux n'a été jugé apte à une utilisation clinique [7].
Des résultats similaires ont été obtenus pour les outils d'intelligence artificielle conçus pour aider à diagnostiquer le COVID-19 et à prédire le risque pour les patients. Une étude scientifique réalisée par Derek Driggs et ses collègues a examiné 415 modèles d'apprentissage automatique différents, principalement ceux qui concernent le diagnostic et les prédictions de COVID-19. Là encore, il a constaté qu'aucun n'était adapté à une utilisation clinique [7]. Certains outils développés pour le COVID-19 ont même créé des inégalités et des préjugés en matière de science des données en raison d'un manque d'échantillonnage de certains groupes, tels que les minorités ou les personnes ayant un faible statut socio-économique [6], ce qui, selon les chercheurs, pourrait conduire à "desrecherches et des politiques biaisées qui exacerbent les inégalités préexistantes" [6].
Bien que ces examens aient déterminé que les outils d'IA n'étaient pas prêts pour une utilisation clinique, Wynants et Driggs estiment que l'IA a le potentiel d'aider le secteur des soins de santé. Il suffit de l'élaborer et de la tester de la bonne manière.
Lorsque les médecins commettent une erreur ou ne fournissent pas le niveau de soins standard, ils peuvent être poursuivis pour faute médicale. Les erreurs liées aux soins de santé peuvent mettre en jeu la vie ou la mort, mais qui est tenu pour responsable si l'erreur est due au traitement de l'IA ? Cela pose une question d'éthique et de réglementation.
Les réglementations mises en place par les lois sur la protection de la vie privée exigent la transparence, ce qui peut avoir une incidence sur le succès du développement de l'IA dans les différents pays. Étant donné que chaque pays ou région doit respecter des réglementations spécifiques, il est difficile d'agréger des données sans franchir une limite éthique (et parfois illégale). En outre, les hôpitaux signent souvent des accords de non-divulgation avec les fournisseurs d'IA médicale, ce qui les empêche de discuter des algorithmes ou des logiciels qu'ils utilisent [6]. Cela complique encore les questions réglementaires.
Dans un souci de transparence, l'Organisation mondiale de la santé a récemment publié le document "Ethics and Governance for Artificial Intelligence for Health". Éthique et gouvernance de l'intelligence artificielle pour la santé. Ce document vise à identifier les défis et les risques éthiques et présente six principes consensuels pour garantir que l'IA fonctionne dans l'intérêt public de tous les pays. Il contient également des recommandations en matière de gouvernance et de responsabilité de l'IA.
Plus l'IA traite de données, plus l'algorithme se complique. Plus l'algorithme est compliqué (ou approfondi), meilleurs sont les résultats. Donc, plus de données = meilleurs résultats. Cependant, plus le processus devient complexe, plus il est difficile pour les professionnels de la santé de comprendre comment ou pourquoi les outils d'IA ont obtenu leurs résultats. Il est donc difficile de déterminer les prochaines étapes.
Les outils d'IA fonctionnent dans une "boîte noire", de sorte qu'il y a souvent un manque important de transparence, en particulier lorsque des modèles d'apprentissage profond sont utilisés. De nombreux professionnels de santé n'ont aucune idée de ce qui est mesuré ni de la manière dont cela est fait. Cela soulève la question de l'efficacité et de la précision. Le problème de la boîte noire est la principale raison pour laquelle les gens hésitent à faire confiance et à accepter l'utilisation de l'IA dans les soins de santé.
L'IA explicable(XAI) a été créée pour résoudre ce problème. Les méthodes XAI justifient la façon dont elles sont parvenues à une solution particulière [2]. Cependant, des développements supplémentaires sont encore nécessaires pour résoudre complètement le problème de la transparence.
La loi sur la portabilité et la responsabilité en matière d'assurance maladie(HIPPA) a été créée avec quatre objectifs principaux à l'esprit. Ces objectifs sont les suivants
Il existe également plusieurs lois strictes sur la protection de la vie privée, en particulier pour les données sur les soins de santé collectées dans les pays européens. Le règlement général sur la protection des données(RGPD) protège les données personnelles, ce qui rend extraordinairement difficile, voire impossible, leur partage à des fins de développement de l'IA. Certaines organisations ont même été poursuivies en justice pour n'avoir pas respecté certaines normes de confidentialité.
La technologie de l'IA doit être protégée et sécurisée pour préserver la confidentialité des données des patients. Cependant, les données d'IA doivent également suivre les patients tout au long d'un programme de soins de longue durée. Cela est nécessaire pour mieux comprendre les facteurs de risque, les conditions médicales, les symptômes et les effets à long terme. Cette approche longitudinale de la recherche nécessite un engagement continu, ce qui est difficile avec les réglementations en matière de protection de la vie privée. La situation se complique encore si le patient déménage d'un endroit (ou d'un pays) à l'autre.
Si les chercheurs parviennent à relever les défis décrits ci-dessus, les outils d'IA pourraient révolutionner le secteur des soins de santé. Ils pourraient aider les médecins à identifier les patients qui risquent de développer des maladies chroniques ou des complications graves, améliorer le processus global de diagnostic et créer un réseau d'expertise partagée à la disposition des médecins du monde entier. Cela pourrait permettre de sauver des vies, de réduire le coût des soins médicaux et d'améliorer l'expérience globale des patients.
Certains outils d'IA pourraient regrouper et analyser des millions de données de patients. D'autres outils pourraient analyser les conseils ou l'expérience de centaines de milliers de médecins à travers le monde. Combinés, ces outils pourraient révolutionner la manière dont les diagnostics sont posés et les traitements administrés.
Il est peu probable que les outils d'IA remplacent un jour complètement les médecins, mais ils pourraient aider les professionnels de la santé à exceller dans des domaines de soins autrement inaccessibles. Les outils d'IA pourraient contribuer à étendre la portée et les capacités des médecins, augmentant ainsi leur capacité à soigner des millions de patients. L'IA médicale peut également contribuer à réduire le coût des soins de santé.
L'une des applications les plus probables de la technologie de l'IA dans le secteur des soins de santé concerne les tâches administratives ou banales. L'IA pourrait être utilisée pour capter la parole en direct et dicter les informations importantes dans un format de note standardisé. Ces notes pourraient ensuite être téléchargées dans des bases de données. Les médecins pourraient ainsi se concentrer davantage sur leurs patients et moins sur la prise de notes.
L'IA médicale a le potentiel d'accroître la concentration des médecins et les cas individuels, ce qui peut contribuer à réduire les erreurs médicales et à améliorer les soins aux patients. En utilisant les informations recueillies lors des réunions, les dispositifs d'intelligence augmentée seraient plus bénéfiques lorsqu'ils sont utilisés en collaboration. Il est peu probable que l'IA remplace un jour les médecins. Au contraire, elle les complétera et les augmentera grâce à ses atouts uniques.
Un traitement diagnostique plus rapide améliore les soins et le confort des patients. Il permet également d'identifier et de surveiller en permanence les patients à haut risque. VitalEye est une solution d'IA déjà utilisée. Grâce à la technologie de vision par ordinateur, la respiration peut être rapidement détectée et surveillée, réduisant ainsi le temps de préparation du patient à moins d'une minute [8]. Les dispositifs portables permettent de surveiller la santé des patients à distance.
D'autres systèmes pourraient utiliser les documents médicaux et les résultats des diagnostics des patients pour aider à prédire la mortalité, les soins hospitaliers prolongés ou le risque de nécessiter des soins intensifs [10]. Les dispositifs portables peuvent améliorer la prédiction précoce des symptômes, ce qui pourrait aider à évaluer le risque de complications. Cela pourrait être particulièrement utile pour les patients souffrant de maladies cardiaques ou suivant une rééducation après un accident vasculaire cérébral. Les dispositifs portables peuvent également être utilisés pour aider les entreprises de cryogénisation à être informées de l'état critique d'un membre ou de l'arrêt de son rythme cardiaque. Cela pourrait contribuer à une cryoconservation de meilleure qualité.
Les outils stratégiques d'IA pourraient encore améliorer le processus d'évaluation diagnostique ou de détection des infections. Les modèles d'apprentissage en profondeur pourraient analyser des volumes plus importants de données, d'imagerie et de scanners de patients afin de mieux comprendre les diagnostics potentiels. Les systèmes de mise en réseau peuvent travailler avec diverses tomographies assistées par ordinateur pour améliorer la détection des infections et le diagnostic des maladies.
Bien qu'il y ait encore des défis à relever, l'IA médicale a le potentiel d'accélérer le processus de diagnostic. Cela devient déjà une réalité. Prenons l'exemple de l'équipe de chercheurs de Philips et du centre médical universitaire de Leiden(LUMC). Ils ont mis au point un modèle d'apprentissage profond qui a permis de réaliser des images IRM huit fois plus rapidement que les normes actuelles [8].
De nombreuses applications réelles sont actuellement testées. Par exemple, une nouvelle étude montre qu'en combinant l'IA avec une technologie d'imagerie avancée, les tumeurs cérébrales peuvent être diagnostiquées en moins de trois minutes lors d'une opération chirurgicale [15].
Des chercheurs de l'université de Tulane ont également découvert que "l'IA peut détecter et diagnostiquer avec précision le cancer colorectal... aussi bien, voire mieux, que les pathologistes" [13]. Cette détection peut être effectuée plus tôt et avec des taux de précision plus élevés.
Les applications s'étendent également à d'autres types de cancers. Une étude menée par des chercheurs de l'université de New York a montré que les outils d'IA "augmentaient de 37 % la capacité des radiologues à identifier avec précision le cancer du sein" [14]. Cette amélioration de la détection s'est également accompagnée d'une diminution des tissus nécessaires à l'échantillonnage.
L'intelligence artificielle pourrait également contribuer à améliorer le domaine de la cryoconservation. La cryoconservation préserve les cellules et les tissus en abaissant les températures centrales à des niveaux inférieurs au point de congélation sans formation de glace. Toutefois, ce processus pose actuellement plusieurs problèmes, notamment en ce qui concerne les dommages cellulaires et la viabilité après le réchauffement.
L'IA pourrait aider à identifier les agents cryoprotecteurs à utiliser en fonction du matériel biologique et des conditions de stockage. Les avancées technologiques et l'IA pourraient également permettre d'automatiser l'utilisation de l'azote liquide, améliorant ainsi la sécurité générale dans les laboratoires [16]. Des entreprises comme Future Fertility utilisent déjà l'IA pour améliorer les prévisions de fécondation réussie à partir d'ovules cryoconservés.
Enfin, surmonter les défis actuels auxquels l'IA est confrontée dans le domaine de la santé pourrait contribuer à accélérer le développement de médicaments, en particulier dans les situations d'urgence (pandémies mondiales, par exemple). Les outils d'IA pourraient réduire le temps nécessaire à la découverte, au développement et à l'analyse de nouveaux médicaments ou traitements. Cela permettrait d'accélérer l'utilisation des médicaments dans l'ensemble de la population et pourrait potentiellement sauver des millions de vies.
Bien que les applications potentielles de l'IA dans les soins de santé soient vastes, les défis doivent être relevés avant que des progrès puissent être réalisés. L'IA utilisée dans le domaine médical doit respecter une certaine éthique, protéger l'identité et les données des patients et être normalisée pour optimiser l'interopérabilité des applications. Une fois ces défis relevés, l'industrie des soins de santé pourrait être révolutionnée.
Qui sait, les outils d'IA pourraient même contribuer à faire progresser le développement de la technologie de cryoconservation et les applications actuelles de cryoconservation plus que nous ne pourrions jamais l'imaginer. En attendant, si vous avez des questions sur Biostasis, n'hésitez pas à prendre rendez-vous avec nous. Et si vous vous sentez prêt à rejoindre notre communauté, inscrivez-vous ici!
[1] Asar, A. (2022, 21 avril). AI In Healthcare Presents Unique Challenges And Amazing Opportunities (L'IA dans les soins de santé présente des défis uniques et des opportunités étonnantes). Forbes. https://www.forbes.com/sites/forbestechcouncil/2021/11/22/ai-in-healthcare-presents-unique-challenges-and-amazing-opportunities/?sh=444832bb107b
[2] Dilmegani, C. (2022, 4 juillet). Les 4 principaux défis de l'IA dans les soins de santé et comment les surmonter. AIMultiple. https://research.aimultiple.com/challenges-of-ai-in-healthcare/
[3] Anderson, J. G. (2017). IOS Press Ebooks - Vos soins de santé peuvent vous tuer : Medical Errors. Https://Pubmed.Ncbi.Nlm.Nih.Gov/28186008/
[4] Watari, T. (2021, 15 septembre). Malpractice Claims of Internal Medicine Involving Diagnostic and System Errors in Japan (Réclamations pour faute professionnelle en médecine interne impliquant des erreurs de diagnostic et de système au Japon). 2021 par la Société japonaise de médecine interne. https://www.jstage.jst.go.jp/article/internalmedicine/60/18/60_6652-20/_article
[5] Renfrow, J. (2019, 11 juillet). 1 diagnostic erroné sur 3 entraîne des blessures graves ou la mort : étude. Fierce Healthcare. https://www.fiercehealthcare.com/hospitals-health-systems/jhu-1-3-misdiagnoses-results-serious-injury-or-death
[6] L'Institut Alan Turing. (2020). La science des données et l'IA à l'ère du COVID-19. https://www.turing.ac.uk/sites/default/files/2021-06/data-science-and-ai-in-the-age-of-covid_full-report_2.pdf
[7] Heaven, W. D. (2022, 6 avril). Des centaines d'outils d'IA ont été construits pour attraper les covidés. Aucun d'entre eux n'a aidé. MIT Technology Review. https://www.technologyreview.com/2021/07/30/1030329/machine-learning-ai-failed-covid-hospital-diagnosis-pandemic/
[8] Dickson, B. (2021, 19 février). Relever les défis de l'IA dans les soins de santé. TechTalks. https://bdtechtalks.com/2021/02/17/ai-healthcare-tina-manoharan-philips/
[9] Cutting Edge Document Destruction. (2011, 24 novembre). Health Insurance Portability & Accountability Act (HIPAA) | Cutting Edge Document Destruction. https://cuttingedgedd.com/legislation/health-insurance-portability-accountability-act-hipaa/
[10] Mirin, K. (2021, 2 décembre). Mise en œuvre de l'IA dans les soins de santé : Challenges and Potential. PostIndustria. https://postindustria.com/implementation-of-ai-in-healthcare-challenges-and-potential/
[11] Sullivan, T. (2019, 1er avril). Interopérabilité : 3 graphiques prennent le pouls du partage des données de santé aujourd'hui. Healthcare IT News. https://www.healthcareitnews.com/news/interoperability-3-charts-take-pulse-health-data-sharing-today
[12] Étude : Les erreurs hospitalières tuent 20 000 personnes chaque année. (2014, 21 janvier). The Local Germany. https://www.thelocal.de/20140121/more-die-from-hospital-mistakes-than-on-roads/
[13] McNemar, E. (2021, 29 novembre). Top Opportunities for Artificial Intelligence to Improve Cancer Care (Principales possibilités d'amélioration des soins en cancérologie grâce à l'intelligence artificielle). HealthITAnalytics. https://healthitanalytics.com/features/top-opportunities-for-artificial-intelligence-to-improve-cancer-care
[14] McNemar, E. (2021a, 28 septembre). Improving Breast Cancer Imaging with Artificial Intelligence (Améliorer l'imagerie du cancer du sein grâce à l'intelligence artificielle). HealthITAnalytics. https://healthitanalytics.com/news/improving-breast-cancer-imaging-with-artificial-intelligence
[15] Personnel du NCI. (2020, 12 février). L'intelligence artificielle accélère le diagnostic des tumeurs cérébrales. Institut national du cancer. https://www.cancer.gov/news-events/cancer-currents-blog/2020/artificial-intelligence-brain-tumor-diagnosis-surgery
[16] Parker, S. (2022, 15 juin). L'intelligence artificielle est essentielle à l'avenir de la cryoconservation. SmartData Collective. https://www.smartdatacollective.com/artificial-intelligence-is-essential-to-future-of-cryopreservation/
%20(1).webp)
.png)