Introduction

L’IA correspond à un large ensemble de théories et technologies mobilisées pour résoudre des problèmes de forte complexité logique ou algorithmique (Villani, 2018). Nous retiendrons ici une acception large de l’IA, en tenant compte des interactions et complémentarités avec les disciplines connexes que sont l’informatique, l’algorithmique, les mathématiques et les statistiques. Concept introduit dans les années 1950, notamment par A. Turing, nombre de méthodes ont été développées ou étendues relativement récemment avec l’amélioration des performances des ordinateurs. Ainsi, l’apprentissage automatique («&nbspmachine learning&nbsp») se développe dès les années 1980. Une des méthodes de l’IA les plus connues du grand public, elle correspond à analyser des données pour en déduire des règles à suivre, voire permet de s’autocorriger avec l’arrivée de nouvelles données. À partir des années 2000, avec l’essor des données massives («&nbspbig data&nbsp») et des infrastructures de calcul, l’apprentissage devient profond («&nbspdeep learning&nbsp»), i.e. explore ces données massives que ne peuvent traiter les méthodes statistiques. Par ailleurs, des algorithmes apprenant sont développés, aboutissant par exemple aujourd’hui aux réseaux de neurones artificiels et aux machines vecteur support (SVM). Les développements récents se sont nourris des interfaces créées entre l’IA et les autres disciplines, comme par exemple la biomédecine, ainsi que des données massives issues de différents champs disciplinaires, notamment associés à la santé (Hosny et al., 2018  Karczewski et Snyder, 2018).

L’IA s’attache à adresser trois défis qui font également sens en SA&nbsp: i) la compréhension d’une situation et de sa dynamique, telle qu’une dynamique épidémique  ii) la perception de l’environnement qui se traduit en SA par la détection de patrons, de formes ou de signaux à différentes échelles  iii) la prise de décision par l’ordinateur, ou, de manière plus réaliste, l’aide à la décision humaine (systèmes experts, aide au diagnostics, allocation de ressources…). Pour cela, un large panel de concepts et méthodes sont développés en IA (FranceIA, 2017), parmi lesquels les méthodes d’apprentissage, mais aussi les méthodes de résolution de problèmes complexes, d’automatisation de tâches ou de raisonnements, d’intégration d’informations provenant de sources hétérogènes, ou encore d’aide à la décision (figure 1).

Figure 1. Structure de l’article et positionnement de quelques thèmes de recherche en santé animale (en noir) et de concepts et méthodes d’intelligence artificielle utiles pour les développer (en vert).

Save View full size Expand inline Collapse inline

Une partie des recherches menées aux fronts de science en SA prend une ampleur nouvelle en mobilisant de telles méthodes d’IA, mais aussi par le développement de données massives. Ainsi, les recherches en SA bénéficient des avancées sur les méthodes d’apprentissage, par exemple en épidémiologie prédictive, en médecine de précision individualisée, et dans l’étude des relations hôtes × pathogènes (Zhang et al., 2017  Karczewski et Snyder 2018). Ces méthodes facilitent le diagnostic et la détection de cas, fiabilisent les prédictions et réduisent les erreurs, accélèrent les décisions, améliorent la précision des analyses de risque et permettent de mieux cibler les interventions (Saria et al., 2018). Les recherches en SA bénéficient aussi d’avancées scientifiques en IA sur la représentation des connaissances et la modélisation des raisonnements (Bedi et al., 2015), des processus décisionnels et de gestion de l’incertitude (Lynn, 2019), sur les parcours de vie des patients (Pinaire et al., 2017), en résolution de problèmes avec allocation de ressources sous contrainte (Vrakas et Vlahavas, 2008), sur les agents autonomes (Shakshuki et Reid, 2015) et les systèmes multi-agents (Roche et al., 2008) voire multi-niveaux (Picault et al., 2017), ainsi que sur la génération automatique de code informatique (Russell et Norvig, 2010). Ces avancées méthodologiques permettent ainsi des représentations plus réalistes et lisibles par des non informaticiens de systèmes biologiques complexes tels que rencontrés en SA, ainsi que la production de modèles pour anticiper l’effet de décisions de maîtrise ou de conduite à différentes échelles (animal, troupeau, région...).

Mener des travaux de recherche à l’interface entre IA et SA conduit aussi à identifier de nouveaux challenges pour l’IA, pour partie sur des thématiques communes avec la santé humaine, pour partie du fait des spécificités des recherches en SA (Ducrot et al., 2011), et qui peuvent constituer des verrous particuliers. Premièrement, le contexte agro- et socio-économique est crucial pour ces systèmes biologiques gérés par l’humain et sources de revenus (animaux de rente), et qui sont fortement soumis aux attentes sociétales en termes d’éthique et de bien-être animal (Connehaye et Duée, 2015). Les mesures conventionnelles de maîtrise des maladies animales peuvent ne plus être acceptables (par exemple l’abattage sanitaire, l’utilisation d’antibiotiques  Hur et al., 2019). Des alternatives doivent être identifiées et évaluées, et l’IA peut y contribuer. Par exemple, le recours à une médecine vétérinaire individualisée est une alternative qui mobilise des méthodes d’IA ainsi que des données différentes de celles de la santé humaine (Behmann et al., 2016). L’intégration des données issues du séquençage massif en SA, incluant les technologies émergentes d’étude du métabolome et de l’épigénome, est aussi un challenge à relever rapidement (Suravajhala et al., 2016  Goldansaz et al., 2017). Deuxièmement, les interactions entre espèces, notamment entre faune domestique et sauvage, entraînent des risques infectieux particuliers (pathogènes partagés comme pour la peste porcine africaine, passage de la barrière d’espèce facilitée par des contacts fréquents). L’intensité de ces interactions pourrait croître du fait des actions seules ou combinées des pressions environnementales (artificialisation des terres et occupation par le bétail), démographiques (demande mondiale croissante en productions animales) et sociétales (conduite en plein air du bétail). Vu sous un autre angle, travailler sur des réseaux de maladies multi-espèces fournit des informations cruciales sur les mécanismes moléculaires sous-jacents (Anvar et al., 2011). Troisièmement, les populations animales sont soumises à des prises de décision récurrentes qui concernent aussi la gestion de la santé (commerce, mesures de maîtrise...) notamment pour les maladies non réglementées (décisions adaptatives des éleveurs). Les critères économiques et l’impact sur le revenu des éleveurs sont alors des indicateurs incontournables pour évaluer les stratégies de maîtrise, parfois en contradiction avec les attentes sociétales. Toutes ces spécificités font de l’interface entre IA et SA un thème d’intérêt pour stimuler de nouveaux travaux méthodologiques et lever certains des verrous auxquels sont confrontés les recherches en SA.

Sur la base d’une revue de la littérature des articles scientifiques à l’interface entre IA et SA publiés entre 2009 et 2019 (encadré 1), complétée d’entretiens conduits avec des chercheurs et enseignants-chercheurs français positionnés à cette interface (encadré 2), nous avons déterminé les grands domaines de recherche en SA dans lesquels l’IA était aujourd’hui mobilisée (figure&nbsp1). Nous avons exploré comment les méthodes d’IA contribuent à revisiter les questions de recherche en SA et permettent de lever des verrous méthodologiques. Nous avons également analysé comment des questions de recherche en SA interrogent et stimulent de nouveaux travaux en IA. Nous nous attacherons ici à discuter de la collecte, de l’organisation et de l’accessibilité aux données en SA (partie 1), puis à discuter comment les méthodes d’IA nous permettent de revisiter notre compréhension des pathosystèmes (partie 2), à améliorer la détection de cas et le diagnostic à différentes échelles (partie 3), et à prévoir et scénariser le devenir des pathosystèmes pour en améliorer la gestion, faciliter les prises de décision, et stimuler les innovations (partie 4). Enfin, nous discuterons des freins et leviers possibles au développement de l’IA en SA (partie 5), avant de conclure sur des recommandations pour se saisir au mieux des enjeux que représente cette interface SA/IA (partie 6).

1. Collecter, organiser et rendre accessibles des données de qualité

Un point central pour les recherches en SA reste le lien aux données d’observation, lesquelles sont structurées entre échelles d’organisation du vivant, ainsi qu’entre échelles spatio-temporelles (Ezenwa et al., 2015). Les données d’intérêt sont diverses : elles peuvent concerner des zones plus ou moins grandes, des troupeaux, ou des groupes d’animaux (données épidémiologiques, de détention d’animaux et de mouvements commerciaux, météorologiques, parcellaires...). Elles peuvent aussi concerner l’animal lui-même, en lien avec le système de production (température corporelle, production et composition du lait, reproduction, poids, alimentation...) ou ses caractéristiques propres (données génomiques, métaboliques...). Certaines données existent déjà (mais ne sont pas toujours accessibles aux académiques), d’autres (métabolome par exemple) représentent un enjeu dont il convient de se saisir. Le processus de mondialisation et d’échanges d’animaux à large échelle conduit aussi à inclure le niveau global dans les recherches en épidémiologie quantitative et plus généralement en SA (transferts d’agents infectieux, génétique et gestion des races…).

L’ensemble de ces données massives et hétérogènes peuvent être collectées&nbsp: i) automatiquement (capteurs, systèmes de vidéo-surveillance...)  ii) spécifiquement pour certains animaux ou troupeaux lors de programmes de suivi de cohortes par exemple  iii) réglementairement (mouvements commerciaux des bovins, plateforme d’épidémio-surveillance)  iv) par des entreprises privées (mouvements des porcs, collecte du lait), et v) de manière ad hoc dans le cadre de projets de recherche. Cette caractéristique entraîne une très grande diversité de propriétés des données, et donc de leur gestion, accès et usages possibles.

Il convient de réfléchir aux futurs systèmes d’observation, de collecte et de gestion de ces données, et aux pratiques visant à une meilleure collaboration entre les parties-prenantes. Si la gestion des données a toujours été un élément important en recherche finalisée pour faciliter leur utilisation et leur valorisation, il s’agit aujourd’hui d’une question stratégique tant en recherche théorique que plus appliquée couplée aussi à un challenge technique (Pfeiffer et Stevens, 2015). Il apparaît nécessaire de rendre interopérables les sources hétérogènes de données, requérant des développements méthodologiques dédiés. Par ailleurs, une grande partie des données relève de la sphère privée, avec une propriété à caractère souvent hétérogène (propriétaires multiples, données non centralisées, données fermées), et parfois floue (méconnaissance du propriétaire réel de la donnée entre, par exemple, l’éleveur et le collecteur des données)  ce qui tend à complexifier grandement l’accès aux données, interroge sur la propriété intellectuelle, et pose un certain nombre de questions en lien avec un Règlement Général sur la Protection des Données (RGPD) adapté à la SA dans le respect de la confidentialité des données mobilisées. Quel est le modèle économique pertinent au regard de la collecte de données ou de l’accès à des bases de données existantes ? Quid de l’ouverture des données de SA (dualité entre la notion de bien public et le caractère privatif de certaines données) pour rendre possible l’expérimentation en situations réelles et comparer les performances des algorithmes d’IA (Prospective, 2019)&nbsp? Lever ces interrogations faciliterait aussi la collecte de données ad hoc. L’IA, notamment par les systèmes experts et les systèmes multi-agents, aide à construire une représentation réaliste de systèmes biologiques complexes et se révèle ainsi un outil efficace pour favoriser la participation des acteurs d’une filière donnée à la prise de décision optimisée, voire l’évaluation de l’impact de modifications des usages et pratiques (Binot et al., 2015).

Permettre l’expérimentation des technologies IA sur des territoires est un enjeu crucial pour favoriser leur développement, valider leur performance et mesurer leur qualité prédictive (Prospective, 2019). En santé, l’accès simplifié à des structures génératrices de données permettrait d’expérimenter à plus grande échelle des solutions innovantes et accélérerait leur mise au point et leur évaluation. Une expertise conséquente existe (plateforme de données épidémiologiques, grandes cohortes, fermes expérimentales, zones ateliers...) qui pourrait être mise à profit. De plus, l’IA pourrait contribuer à revisiter les méthodes d’échantillonnage pour la collecte de données de terrain en santé et en épidémio-surveillance animale, en ciblant mieux et de manière dynamique les données à collecter tout en évitant les données colinéaires redondantes.

2. Apports de l’IA pour la compréhension des pathosystèmes

2.2. Garantir fiabilité, reproductibilité et flexibilité des modèles épidémiologiques

Pour comprendre et prédire la propagation de pathogènes, il est utile de représenter de manière explicite et intégrative dans un modèle mathématique (équations) ou informatique (simulations) les mécanismes sous-jacents à la dynamique du pathosystème, et ce à différentes échelles (intra-hôte : Go et al., 2019 ; filières de production primaire : Ferrer Savall et al., 2016  territoire : (Qi et al., 2019) &nbspcontinent : (Buhnerkempe et al., 2014). Ces modèles dits mécanistes permettent d’anticiper les effets de mesures de maîtrise conventionnelles, mais aussi innovantes (nouvelles molécules candidates, capteurs, index de sélection génomique  Ezanno et al., 2015). Cependant, ils requièrent d’intégrer des données et expertises multiples en biologie, épidémiologie, évolution, écologie, agronomie, économie, etc. Leur développement pose alors des enjeux de fiabilité, de transparence, de reproductibilité, et de flexibilité d’usage. De plus, ces modèles sont souvent développés de novo, mobilisant peu les modèles d’autres pathosystèmes. Enfin, ces modèles peuvent être considérés comme des boîtes noires par leurs utilisateurs finaux (gestionnaires de la santé) alors qu’ils reposent sur des hypothèses biologiques explicites mais souvent cachées dans le code ou les équations.

Bien qu’incontournables, les bonnes pratiques de programmation (Sandve et al., 2013) seules ne peuvent répondre à ces enjeux (Leek et Peng, 2015). L’approche la plus aboutie à ce jour en épidémiologie requiert encore d’écrire beaucoup de code (O’Hare et al., 2016). Des méthodes adaptées manquent pour faciliter le développement de ces modèles, notamment pour représenter des systèmes multi-échelles. Ainsi, les processus intra-hôtes sont rarement considérés pour prédire la propagation de pathogènes dans des populations, alors que l’hétérogénéité individuelle des hôtes est un facteur crucial de cette propagation (par exemple les interactions microbiote × pathogène × immunité, Vodovotz et al., 2016).

Mobiliser l'IA pour répondre à ces enjeux s’avère prometteur. Premièrement, les méthodes de représentation des connaissances permettent d’expliciter la structure des modèles mécanistes et de réduire le code à écrire, accélérant et fiabilisant leur développement. La séparation entre le développement logiciel et la représentation des connaissances permet à des scientifiques de discipline non informatique de contribuer à concevoir puis à évaluer les modèles. Au lieu de n’exister que sous forme de code informatique, les constituants du modèle (hypothèses, ontologie des connaissances, structure, paramètres, fonctions, règles...) sont accessibles dans un fichier texte structuré, lisible et révisable par les non-informaticiens, scientifiques ou gestionnaires, rendant les modèles plus transparents. À ce jour, un langage domaine spécifique dédié à l’épidémiologie concerne les modèles à équations différentielles, dits à compartiments de type Susceptible-Infecté-Résistant (SIR) (Bui et al., 2015). Deuxièmement, l'utilisation d'agents logiciels autonomes permet de représenter des niveaux d'abstraction et d'organisation variés à plusieurs échelles (Mathieu et al., 2018), rendant les modèles plus flexibles. Très récemment, un logiciel générique (EMULSION, figure 2, Picault et al., 2019b) a été développé, mobilisant à la fois un langage dédié et une architecture logicielle à base d'agents. Cette approche double a l’ambition de répondre le mieux possible aux besoins récurrents de transparence, fiabilité et flexibilité en modélisation des maladies transmissibles. Un simulateur interprète les fichiers textes décrivant le système pour produire le code du modèle, ce pour tout type de formalismes (modèles à compartiments, individu-centrés) et d’échelles (individu, population, territoire). Des briques de code complémentaires peuvent être ajoutées pour des processus spécifiques au pathosystème étudié. La révision des hypothèses du modèle ne nécessite plus de réécrire le code. Ce type d’approche devrait aussi faciliter la production d'outils d'aide à la décision destinés aux gestionnaires et aux décideurs publics de la SA et de la sécurité sanitaire plus généralement.

Figure 2. L’IA au service de la modélisation mécaniste en épidémiologie (Source : EMULSION, Picault et al., 2019b).

Save View full size Expand inline Collapse inline

A. Les modélisateurs développent chaque modèle épidémiologique de novo, et produisent des codes spécifiques non lisibles par des scientifiques d’autres disciplines ou par les utilisateurs finaux des prédictions.

B. Mobiliser des approches d’IA pour combiner un langage dédié et une architecture logicielle à base d'agents contribue à rendre les modèles épidémiologiques plus reproductibles, transparents, flexibles, et transférables aux gestionnaires de la santé sous forme d’outils d’aide à la décision. Un simulateur interprète les fichiers textes décrivant le système pour produire le code du modèle. Des briques complémentaires de code peuvent être ajoutées si nécessaire.

3. Revisiter les méthodes de détection de cas à différentes échelles

Une gestion rationnelle des troubles de santé en élevage repose sur des méthodes performantes de détection de cas, que ce soit à l’échelle individuelle voire infra-individuelle (organe), du groupe d’animaux, ou de territoires. Les méthodes d’apprentissage permettent de détecter des patrons et des signaux dans les grandes masses de données, et en particulier dans les séries spatiales ou temporelles de cas en santé, et contribuent ainsi à l’essor d’une agriculture intelligente et de la télémédecine. Des alertes peuvent être produites, et contribuer aux conseils de gestion en agriculture numérique (Liakos et al., 2018  figure 3) ou dans la pratique vétérinaire (Jones-Diette et al., 2019). Cela aboutit parfois à une détection plus précoce des troubles de santé et contribue à la rationalisation des traitements anti-infectieux (notamment antibiotiques) chez les animaux de production. Cela peut reposer sur l’analyse de données collectées à partir d’objets connectés (Morota et al., 2018), le typage de la santé individuelle ou de groupe (Dórea et al., 2013), voire des modèles mécanistes prédictifs de l’occurrence des détections de nouveaux cas à traiter (Picault et al., 2019a). Ensuite, une optimisation multicritère permet de raisonner les stratégies thérapeutiques en identifiant qui traiter dans un groupe, quand, selon quel protocole et pendant quelle durée, de manière à maximiser la probabilité de guérison tout en minimisant le risque de résistance et les doses utilisées (médecine individualisée et médecine de précision).

Néanmoins, la qualité des alertes reste assujettie à la qualité et à la représentativité des jeux de données utilisés par les algorithmes d'apprentissage. De nombreux biais (d'origine matérielle, logicielle, humaine) peuvent entacher le bien-fondé des prédictions. De plus, des alertes produites après un apprentissage reflètent nécessairement les spécificités du système dont les données sont issues (lieu, période, pratiques d'élevage...), de sorte qu'une transposition à un autre pathosystème ou la prise en compte d'évolutions environnementales ou réglementaires est hasardeuse. Par ailleurs, si les méthodes d’apprentissage (classification, analyse d’images, reconnaissance de formes, fouille de données...) apportent des solutions pour un large panel de questions de recherche en biomédecine et biosanté, il est crucial de bien démontrer par des méthodes de validation éprouvées la performance de ces méthodes en mesurant leur qualité prédictive et en les comparant lorsque c’est possible aux méthodes statistiques alternatives.

À l’échelle des populations, la détection de cas repose sur une surveillance directe (détection des troubles) ou indirecte, mobilisant des informations connexes (proxies) à l’occurrence des troubles. Ainsi, l’émergence de certaines maladies est détectée par une surveillance syndromique, en détectant des signaux anormaux dans des données collectées en routine (mortalité, reproduction, comportement, production laitière, utilisation médicamenteuse plus importante...  Marceau et al., 2014). Ici les méthodes d’IA et les statistiques sont fortement complémentaires, devant s’appuyer sur un large panel de données, fortement hétérogènes, parfois massives et souvent éparses, pour détecter des signaux souvent faibles (Forbes et al., 2013  Perez et al., 2009) ou leurs proxies (ex : émergence de maladies infectieuses suite aux perturbations de l’environnement), ou encore des symptômes et voies métaboliques en cascades précurseurs de pathologies chroniques ou dégénératives. L’IA permet aussi de mobiliser les informations disponibles sur Internet, par des méthodes semi-automatiques de fouille de textes (data mining) pour identifier et traiter des signaux d'émergence pour la veille internationale sur les maladies animales infectieuses (Arsevska et al., 2018).

À large ou très large échelle (territoire, pays, continent...), l’analyse des données de mouvements commerciaux d’animaux entre élevages (Dutta et al., 2014  figure 4) permet de prédire le risque épidémique associé (Hoscheit et al., 2016). Ces mouvements sont difficilement prévisibles, notamment car les échanges commerciaux reposent sur de nombreux facteurs associés aux activités et décisions humaines. Des méthodes de reconnaissance de patrons spatio-temporels et des développements méthodologiques pour l’analyse de graphes relationnels dynamiques orientés et pondérés sont requis dans ce domaine car très peu des méthodes permettent à ce jour d’étudier des systèmes à grande échelle alors que les jeux de données sont souvent de très grande taille (plusieurs dizaines voire centaines de milliers d’exploitations en interaction dynamique).

Figure 4. Mouvements commerciaux de bovins en France en 2009 (Source : Base de données nationale d’identification des bovins - BDNI).

Save View full size Expand inline Collapse inline

Ces mouvements forment un réseau dynamique, orienté et pondéré. Le prédire est un challenge scientifique et technique, pour lequel de nouvelles méthodes sont requises et auquel l’IA pourrait contribuer.

4.1. Choisir parmi toutes les alternatives

Un enjeu des gestionnaires de la santé est d’identifier les combinaisons de mesures de maîtrise les plus pertinentes selon les spécificités locales (caractéristiques des élevages, objectifs de production...) et territoriales (ressources collectives disponibles, localisation des élevages, priorités de gestion...), pour anticiper les effets de changements sanitaires, environnementaux et réglementaires, et promouvoir des conseils sanitaires de qualité. La question se pose aussi de comment favoriser l’innovation en SA, par exemple anticiper les caractéristiques requises de molécules candidates (Schneider, 2019), ou évaluer l’avantage concurrentiel de stratégies innovantes (sélection génomique d’animaux résistants, nouveaux vaccins...) par rapport aux stratégies conventionnelles. Les gestionnaires privés (éleveurs, conseillers des éleveurs) et collectifs (groupements d’éleveurs, pouvoirs publics, ...) ont besoin d’outils d’aide à la décision (OAD) pour cibler les incitations publiques, identifier les investissements à privilégier par l’éleveur (Ezanno et al., 2018) et cibler au mieux les mesures&nbsp: qui cibler (quels élevages, quels animaux) ? avec quelle(s) mesure(s) ? quand et pendant combien de temps ? etc. Ces questions deviennent incontournables pour raisonner l’usage des intrants (antibiotiques, pesticides, biocides...).

Le recours à la modélisation mécaniste est une solution qui permet in silico d’évaluer, comparer, hiérarchiser un large panel d’options à moindre coût (figure 5  Beaunée et al., 2017). Cependant, la plupart des modèles disponibles n’intègre pas explicitement l’humain et sa décision, alors que les décisions de maîtrise sont souvent de l’initiative des éleveurs (ex : maladies non réglementées), avec des conséquences sanitaires et décisionnelles parfois à large échelle (diffusion infectieuse, diffusion de l’information et des rumeurs, zone d’influence, ...). Des travaux récents visent à intégrer l’humain et ses décisions dans le système en mobilisant du contrôle optimal et des stratégies adaptatives issues de l’IA (Viet et al., 2018) ou encore des méthodes d’économie de la santé (Tago et al., 2016  Krebs et al., 2018). Ces travaux sont précurseurs en SA et doivent être poursuivis et étendus dans le cadre du développement de l’agroécologie, de la demande sociétale actuelle en matière de qualité des produits et de respect des écosystèmes et de leur biodiversité, et plus généralement de la sécurité sanitaire internationale.

Figure 5. Identifier les stratégies pertinentes pour maîtriser la paratuberculose bovine à l’échelle régionale (d’après Beaunée et al., 2017).

Save View full size Expand inline Collapse inline

Classiquement, identifier les stratégies pertinentes revient à les définir a priori puis à les comparer, par exemple par modélisation. Généralement, seul un faible nombre d’alternatives est considéré. Ici, toutes les alternatives sont considérées, aboutissant à une multitude de scénarios dont l’analyse peut devenir un challenge. Chaque point correspond à la situation épidémiologique après 9 ans de propagation du pathogène sur un réseau de 12&nbsp500 troupeaux bovins laitiers pour une stratégie donnée (astérisque : pas de maîtrise). Initialement, 10&nbsp% des animaux sont infectés en moyenne dans 30&nbsp% des troupeaux. Les points les plus bleus correspondent aux stratégies les plus favorables. Mobiliser dans un tel cadre des approches d’IA, notamment d’optimisation sous contraintes, faciliterait l’identification des stratégies pertinentes en explorant l’espace des possibles de manière plus ciblée.

5. Freins et leviers

Les recherches menées à l’interface entre IA et SA nécessitent de fortes interactions entre disciplines de la biologie (infectiologie, immunologie, sciences cliniques, génétique, écologie, évolution, épidémiologie, zootechnie...) et disciplines plus théoriques (mathématiques, statistiques, informatique). Mener des recherches à cette interface requiert de renforcer les quelques équipes déjà positionnées, mais également d’associer des équipes travaillant autour des concepts «&nbspOne Health&nbsp», «&nbspEcohealth&nbsp» et «&nbspPlanetary Health&nbsp» pour bénéficier des réalisations récentes en écologie et modélisation des maladies infectieuses, en santé des plantes et en santé de l’environnement (Guégan et al., 2018). Ces travaux doivent s’appuyer sur un large panel de compétences méthodologiques (méthodes d’apprentissage, fouille de données et de textes, systèmes d’information, représentation des connaissances, systèmes multi-agents, résolution de problèmes, métamodélisation, optimisation, architecture de simulation, réduction de modèles, modèles décisionnels...). Les besoins de recherche, de formation, et d’appui autour de ces questions constituent des enjeux cruciaux, aux échelles nationale, européenne et internationale (essor actuel pris par des pays comme la Chine et l’Inde sur ces thèmes alors que la France dispose de compétences reconnues internationalement). Enfin, une connexion facilitée et de confiance est requise entre académiques et instituts techniques et partenaires privés, qui sont souvent les détenteurs ou collecteurs des données d’intérêt pour résoudre des questions de recherche en santé via des approches d’IA. La réflexion pour une meilleure coordination intersectorielle doit se faire au niveau national français, tant ce thème apparaît hyper-compétitif et certains cloisonnements actuels allant encore à l’encontre du partage d’information.

Une acculturation des chercheurs à l’IA, ses méthodes et ses potentiels développements, mais aussi ses limites, doit être proposée pour répondre aux défis de l’agriculture du XXI^ème siècle. En effet, il existe des freins à mener des recherches sur ce front de science. Nouer les nouvelles collaborations requises entre équipes menant des travaux méthodologiques et équipes des domaines d’application reste difficile vus les faibles effectifs académiques sur ces problématiques, leur très forte mobilisation actuelle dans cette recherche et la faible capacité à pouvoir collaborer sur de nouveaux sujets, ainsi que la difficulté d’appréhender et maîtriser ces méthodes. Il existe un besoin de veille et de formation sur les méthodes disponibles ou en cours de développement, les nouveaux logiciels/packages et leur applicabilité, etc. Pour développer des collaborations clés et asseoir un positionnement stratégique, une interconnexion peut aussi se faire via des équipes transversales (par exemple l’équipe projet SISTM «&nbspStatistiques pour la médecine translationnelle&nbsp» Inserm / Inria / Université de Bordeaux) qui nous apparaît être une voie à privilégier. Des solutions sont aussi à trouver pour favoriser la percolation des méthodes dans la communauté et la montée en compétences des scientifiques et ingénieurs.

Enfin, les méthodes d’IA, notamment de classification / apprentissage / fouille de données, et les innovations en SA auxquelles ces méthodes peuvent conduire ne sont que très peu abordées en enseignement vétérinaire, alors que ces étudiants représentent les futurs professionnels de la SA (van der Waal et al., 2017). La communauté scientifique gagnerait aussi à accroître encore ses compétences et son expérience en valorisation, transfert et protection de la propriété intellectuelle sur ces méthodes d’IA et les résultats associés.

6. Recommandations

Conclusion

L’usage des méthodes d’IA (apprentissage, systèmes experts, technologies analytiques…) converge aujourd’hui avec l’obtention de données massives, et permet à ces domaines de se développer rapidement. Il est cependant essentiel de ne pas percevoir données massives et IA comme une même tendance, car l’accumulation de données n’engendre pas toujours une amélioration des connaissances. Néanmoins, plus les données sont nombreuses et représentatives des concepts et hypothèses de travail, plus les applications issues de l’IA peuvent aboutir à des résultats importants. Les aspects éthiques, déontologiques et juridiques sous-jacents quant à la propriété des données, leur conservation, gestion, partage et interopérabilité, exigent aussi qu’une réflexion soit engagée nationalement et internationalement en SA pour mieux encadrer ces données d’origine multisectorielle et leurs différents usages. De plus, si l’effort d’acquisition de ces données est impressionnant, le développement des compétences en IA au sein de la communauté de SA reste limité au regard des besoins. Les possibilités de collaboration avec des équipes d’IA sont faibles car celles-ci sont déjà très sollicitées. Pour que les personnels de recherche en SA se saisissent au mieux des opportunités offertes par l’IA, mais aussi aient conscience des limites et contraintes de ces approches, un effort de formation doit être dispensé et généralisé. Enfin, l’essor actuel de l’IA permet aujourd’hui d’intégrer plus en amont les connaissances et les points de vue des nombreux acteurs de la santé et du bien-être animal. Cependant, cela requiert que l’IA et ses acteurs acceptent de traiter les spécificités et la complexité de la SA, laquelle ne constitue pas une simple bibliothèque de connaissances qu’il suffirait de numériser pour en rechercher des séquences ou des signaux informatifs.

Remerciements

Cette réflexion a bénéficié de nombreuses interactions avec des chercheurs et enseignant-chercheurs (encadré 2) intéressés par l’interface IA/SA, nous les en remercions ici. Nous remercions aussi Stéphane Abrioux, Xavier Bailly, Didier Concordet et Human Rezaie pour leur participation aux discussions scientifiques et techniques.

Références

• Anvar S.Y., Tucker A., Vinciotti V., Venema A., van Ommen G.J., van der Maarel S.M., Raz V., 't Hoen P.A., 2011. Interspecies translation of disease networks increases robustness and predictive accuracy. PLoS Comput. Biol. 7, e1002258. doi:10.1371/journal.pcbi.1002258. Erratum in PLoS Comput. Biol. 7, doi:10.1371/annotation/fc0b4192-6427-4fb3-b347-c66651adf855
• Arsevska E., Valentin S., Rabatel J., de Goër de Hervé J., Falala S., Lancelot R., Roche M., 2018. Web monitoring of emerging animal infectious diseases integrated in the French Animal Health Epidemic Intelligence System. PLoS One 13, doi:10.1371/journal.pone.0199960
• Babayan S.A., Orton R.J., Streicker D.G., 2018. Predicting reservoir hosts and arthropod vectors from evolutionary signatures in RNA virus genomes. Science, 362, 577-580. doi:10.1126/science.aap9072
• Bailly X., 2017. Hidden Markov phylogenetic models offer an interesting perspective to identify “high risk lineages” of environmental pathogens. Infection, Genet. Evol., 55, 45-47. doi:10.1016/j.meegid.2017.08.007
• Bassaganya-Riera J., Hontecillas R., 2016. Introduction to Computational Immunology. Computational Immunology: Models and Tools. Bassaganya-Riera J. (Ed). 1-8.
• Beaunée G., Vergu E., Joly A., Ezanno P., 2017. Controlling bovine paratuberculosis at a regional scale: towards a decision modeling tool. J. Theor. Biol., 435, 157-183. doi:10.1016/j.jtbi.2017.09.012
• Bedi G., Carrillo F., Cecchi G.A., Fernández Slezak D., Sigman M., Mota N.B., Ribeiro S., Javitt D.C., Copelli M., Corcoran C.M., 2015. Automated analysis of free speech predicts psychosis onset in high-risk youths. Schizophrenia 1, 15030.
• Behmann J., Hendriksen K., Mueller U., Buescher W., Pluemer L., 2016. Support vector machine and duration-aware conditional random field for identification of spatio-temporal activity patterns by combined indoor positioning and heart rate sensors. Geoinformatica, 20, 693-714. doi:10.1007/s10707-016-0260-3
• Binot A., Duboz R., Promburom P., Phimpraphai W., Cappelle J., Lajaunie C., Goutard F.L., Pinyopummintr T., Figuié M., Roger F.L., 2015. A framework to promote collective action within the One Health community of practice: using participatory modelling to enable interdisciplinary, cross-sectoral and multi-level integration. One Health 1, 44-48. doi:10.1016/j.onehlt.2015.09.001
• Buhnerkempe M.G., Tildesley M.J., Lindström T., Grear D.A., Portacci K., Miller R.S., Lombard J.E., Werkman M., Keeling M.J., Wennergren U., Webb C.T., 2014. The Impact of Movements and Animal Density on Continental Scale Cattle Disease Outbreaks in the United States. PLoS One 9, 3, e91724. doi:10.1371/journal.pone.0091724
• Bui T.M.A., Stinckwich S., Ziane M., Roche B., Ho T.V., 2015. KENDRICK: A Domain Specific Language and platform for mathematical epidemiological modelling. In: proc. IEEE RIVF International Conference on Computing and Communication Technologies, Research, Innovation, and Vision for the Future. 132-137. doi:10.1109/RIVF.2015.7049888
• Chyba M., Coron J.M., Mileyko Y., Rezaei H., 2016. Optimization of prion assemblies fragmentation. Proc. IEEE Conf. Decision Control, Presented at 55th IEEE Conf. Decision Control (CDC), Las Vegas, USA (2016-12-12 - 2016-12-14). NEW YORK, USA : IEEE. 6.
• Connehaye E., Duée P.H., 2015. Comité consultatif commun d’éthique pour la recherche agronomique sur le bien-être des animaux d’élevage. Avis 7. INRA/Cirad, 26 pp, https://inra-dam-front-resources-cdn.wedia-group.com/ressources/afile/306089-64fd4-resource-7e-avis-du-comite-d-ethique-sur-le-bien-etre-des-animaux-d-elevage.html
• Dórea F.C., Muckle C.A., Kelton D., McClure J.T., McEwen B.J., McNab W.B., Sanchez J., Revie C.W., 2013. Exploratory analysis of methods for automated classification of laboratory test orders into syndromic groups in veterinary medicine. PLoS One, 8, e57334, doi:10.1371/journal.pone.0057334
• Ducrot C., Bed’Hom B., Béringue V., Coulon J.B., Fourichon C., Guérin J.L., Krebs S., Rainard P., Schwartz-Cornil I., Torny D., Vayssier-Taussat M., Zientara S., Zundel E., Pineau T., 2011. Issues and special features of animal health research. Vet. Res., 42, 96.
• Dutta B.L., Ezanno P., Vergu E., 2014. Characteristics of the spatio-temporal network of cattle movements in France over a 5-year period. Prev. Vet. Med. 117, 79-94. doi:10.1016/j.prevetmed.2014.09.005
• Ezanno P., Bidan F., Arnoux S., Camanes G., Damman A., 2015. Modélisation du risque épidémiologique : vers des outils d'aide à la gestion. Cas de la maîtrise de la diarrhée virale bovine (BVDV) en troupeau bovin allaitant. In: Journées Nationales des Groupements Techniques Vétérinaires (JNGTV), 187-192, Nantes, France.
• Ezanno P., Beaunée G., Picault S., Arnoux S., Sicard V., Beaudeau F., Rault A., Vergu E., 2018. Gestion des maladies endémiques du troupeau aux territoires : contribution de la modélisation épidémiologique pour soutenir la prise de décision (projet MIHMES, 2012-2017). Innov. Agro., 68, 53-65.
• Ezenwa V.O., Prieur-Richard A.H., Roche B., Bailly X., Becquart P., Garcia-Peña G.E., Hosseini P.R., Keesing F., Rizzoli A., Suzán G.A., Vignuzzi M., Vittecoq M., Mills J.N., Guégan J.F., 2015. Interdisciplinarity and infectious diseases: an Ebola case study. PLoS Pathogens 11, e1004992. doi:10.1371/journal.ppat.1004992
• Ferrer Savall J., Bidot, C., Leblanc-Maridor M., Belloc C., Touzeau S., 2016 Modelling Salmonella transmission among pigs from farm to slaughterhouse: interplay between management variability and epidemiological uncertainty. Int. J. Food Microbiol., 229, 33-43. https:/doi.org/10.1016/j.ijfoodmicro.2016.03.020
• Forbes F., Charras-Garrido M., Azizi L., Doyle S., Abrial D., 2013. Spatial risk mapping for rare disease with hidden Markov fields and variational EM. Annals Appl. Stat. 7, 1192-1216.
• FranceIA, 2017. France Intelligence Artificielle. Rapport de synthèse. 350 pages, Paris, France.
• Go N., Touzeau S., Islam Z., Belloc C., Doeschl-Wilson A., 2019. How to prevent viremia rebound? Evidence from a PRRSv data-supported model of immune response. BMC Systems Biol., 13, 15.
• Goldansaz S.A., Guo A.C., Sajed T., Steele M.A., Plastow G.S., Wishart D.S., 2017. Livestock metabolomics and the livestock metabolome: A systematic review. PLoS ONE 12, e0177675. doi:10.1371/journal.pone.0177675
• Guégan J.F., Suzán G.A., Kati-Coulibaly S., Bonpamgue D.N., Moatti J.P., 2018. The United-Nations, Health and Sustainability. An analysis of Sustainable Development Goal #3 "Health and well-being". Veterinaria Mexico AO, 5. doi:10.21753/vmoa.5.2.443
• Han B.A., Majumdar S., Calmon F.P., Glicksberg B.S., Horesh R., Kumar A., Perer A., von Marschall E.B., Wei D., Mojsilović A., Varshney K.R., 2019. Confronting data sparsity to identify potential sources of Zika virus spillover infection among primates. Epidemics, 27, 59-65. doi:10.1016/j.epidem.2019.01.005
• Hoscheit P., Geeraert S., Beaunée G., Monod H., Gilligan C.A.G, Filipe J., Vergu E., Moslonka-Lefebvre M., 2016. Dynamical Network Models for Cattle Trade: Towards Economy-Based Epidemic Risk Assessment. J. Complex Networks, cnw026. doi:10.1093/comnet/cnw026
• Hosny A., Parmar C., Quackenbush J., Schwartz L.H., Aerts H.J.W.L., 2018. Artificial intelligence in radiology. Nature Rev. Cancer, 18, 500-510.
• Hur B., Hardefeldt L.Y., Verspoor K., Baldwin T., Gilkerson J.R., 2019. Using natural language processing and VetCompass to understand antimicrobial usage patterns in Australia. Aust. Vet. J., doi:10.1111/avj.12836
• Jones-Diette J.S., Dean R.S., Cobb M., Brennan M.L., 2019. Validation of text-mining and content analysis techniques using data collected from veterinary practice management software systems in the UK. Prev. Vet. Med., 167, 61-67. doi:10.1016/j.prevetmed.2019.02.015
• Karczewski K.J., Snyder M.P., 2018. Integrative omics for health and disease. Nature Rev. Genet., 19, 299-310.
• Krebs S., Picault S., Ezanno P., 2018. Modélisation multi-agents pour la gestion individuelle et collective d’une maladie infectieuse. In: Proc. 26ème Journées Francophones sur les Systèmes Multi-Agents (JFSMA), Métabief, France, 191-200, hal-01979509.
• Leek J.T., Peng R.D., 2015. Opinion: Reproductible research can still be wrong: adopting a prevention approach. Proc. Natl. Acad. Sci., 112, 1645-1646. doi:10.1073/pnas.1421412111
• Lek S., Guégan J.-F., 2000. Artificial Neuronal Networks. Application to Ecology and Evolution. Springer Verlag Ltd., Berlin, Germany. doi:10.1016/j.it.2016.11.006
• Liakos K.G., Busato P., Moshou D., Pearson S., Bochtis D., 2018. Machine Learning in Agriculture: A Review. Sensors, 18, doi:10.3390/s18082674
• Lynn L.A., 2019. Artificial intelligence systems for complex decision-making in acute care medicine: a review. Patient Safety in Surgery 13, 6. doi:10.1186/s13037-019-0188-2
• Marceau A., Madouasse A., Lehébel A., van Schaik G., Veldhuis A., Van der Stede Y., Fourichon C., 2014. Can routinely recorded reproductive events be used as indicators of disease emergence in dairy cattle? An evaluation of 5 indicators during the emergence of bluetongue virus in France in 2007 and 2008. J. Dairy Sci., 97, 6135-6150. doi:10.3168/jds.2013-7346
• Mathieu P., Morvan G., Picault S., 2018. Multi-level agent-based simulations: Four design patterns. Simul. Model. Pract. Theory, 83, 51-64. doi:10.1016/j.simpat.2017.12.015
• Morota G., Ventura R.V., Silva F.F., Koyama M., Fernando S.C., 2018. Big data analytics and precision animal agriculture symposium: machine learning and data mining advance predictive big data analysis in precision animal agriculture. J. Anim. Sci., 96, 1540-1550. doi:10.1093/jas/sky014
• O’Hare A., Lycett S.J., Doherty T.M., Salvador L.C., Kao R.R., 2016. Broadwick: a framework for computational epidemiology. BMC Bioinformatics, 17. doi:10.1186/s12859-016-0903-2
• Perez A.M., Zeng D., Tseng C.J., Chen H., Whedbee Z., Paton D., Thurmond M.C., 2009. A web-based system for near real-time surveillance and space-time cluster analysis of foot-and-mouth disease and other animal diseases. Prev. Vet. Med., 91, 39-45. doi:10.1016/j.prevetmed.2009.05.006
• Pfeiffer D.U., Stevens K.B., 2015. Spatial and temporal epidemiological analysis in the Big Data era. Prev. Vet. Med., 122, 213-220. doi:10.1016/j.prevetmed.2015.05.012
• Pham L.M., Parlavantzas N., Morin C., Arnoux S., Qi L., Gontier P., Ezanno P., 2017. DiFFuSE, a distributed framework for cloud-based epidemic simulations: a case study in modelling the spread of bovine viral diarrhea virus. In: Cloud Com (p. 304-313). Int. Conf. Cloud Comp. Technol. Sci., Presented at 9th IEEE Int. Conf. Cloud Comp. Technol. Sci., (CloudCom), Hong Kong, China (2017-12-11 - 2017-12-14), https://hal.archives-ouvertes.fr/hal-01586945
• Picault S., Huang Y.L., Sicard V., Beaudeau F., Ezanno P., 2017. A Multi-Level Multi-Agent Simulation Framework in Animal Epidemiology. In: Proc. 15th Int. Conf. Practical Appl. Agents and Multi-Agent Systems (PAAMS), p. 209-221, Springer LNCS 10349. doi:10.1007/978-3-319-59930-4_17
• Picault S., Ezanno P., Assié S., 2019a. Combining early hyperthermia detection with metaphylaxis for reducing antibiotics usage in newly received beef bulls at fattening operations: a simulation-based approach. In: Soci. Veter. Epidemiol. Preventive Medicine (SVEPM), 13 pages. Utrecht, The Netherland, 27-30/3/2019.
• Picault S., Huang Y.L., Sicard V., Arnoux S., Beaunée G., Ezanno P., 2019b. EMULSION: transparent and flexible multiscale stochastic models in human, animal and plant epidemiology. PLoS Computat. Biol., 15, e1007342, doi:10.1371/journal.pcbi.1007342.
• Pinaire J., Azé J., Bringay S., Landais P., 2017. Patient healthcare trajectory. An essential monitoring tool: a systematic review. Health Inf. Sci. Syst., 5, 1.
• Qi L., Beaunée G., Arnoux S., Dutta B.L., Joly A., Vergu E., Ezanno P., 2019. Neighbourhood contacts and trade movements drive the regional spread of bovine viral diarrhoea virus (BVDV). Vet. Res., 50, 30. doi:10.1186/s13567-019-0647-x
• Reddy S., Fox J., Purohit M.P., 2019. Artificial intelligence-enabled healthcare delivery. J. Roy. Soc. Med., 112, 22-28.
• Roche B., Guégan J.F., Bousquet F., 2008. Multi-agent systems in epidemiology: a first step for computational biology in the study of vector-borne disease transmission. BMC Bioinformatics. 9, 435. doi:10.1186/1471-2105-9-435
• Russell S., Norvig P., 2010. Artificial Intelligence A Modern Approach. Third Edition. Upper Saddle River, New Jersey, 1132p.
• Sandve G.K., Nekrutenko A., Taylor J., Hovig E., 2013. Ten simple rules for reproducible computational research. PLOS Comput. Biol. 9:e1003285. doi:10.1371/journal.pcbi.1003285
• Saria S., Butte A., Sheikh A., 2018. Better medicine through machine learning: What’s real, and what’s artificial? PLOS Med. Blog “Speaking of Medicine”, https://blogs.plos.org/speakingofmedicine/2018/11/28/
• Schneider G., 2019. Mind and machine in drug design. Nature Machine Intelligence 1, 128-130. doi:10.1038/s42256-019-0030-7
• Sebag A.S., Plancade S., Raulet-Tomkiewicz C., Barouki R., Vert JP., Walter T., 2015. Inferring an ontology of single cell motions from high-throughput microscopy data. Proc. IEEE Int. Symp. Biomed. Imaging. New-York, USA, 160-163.
• Shah N., Malensek M., Shah H., Pallickara S., Pallickara S.L., 2019. Scalable network analytics for characterization of outbreak influence in voluminous epidemiology datasets. Concurrency Comput. Practice Exp., 31. doi:10.1002/cpe.4998
• Shakshuki E., Reid M., 2015. Multi-Agent System Applications in Healthcare: Current Technology and Future Roadmap. Procedia Computer Sci., 52, 252-261. https://core.ac.uk/download/pdf/82700092.pdf
• Suravajhala P., Kogelman L.J.A., Kadarmideen H.N., 2016. Multiomic data integration and analysis using systems genomics approaches: methods and applications in animal production, health and welfare. Genet. Sel. Evol., 48, 38. doi:10.1186/s12711-016-0217-x
• Tago D., Hammitt J.K., Thomas A., Raboisson D., 2016. The Impact of Farmers’ Strategic Behavior on the Spread of Animal Infectious Diseases. PLoS ONE 11, e0157450. doi:10.1371/journal.pone.0157450
• Tardivel P., Canlet C., Lefort G., Tremblay-Franco M., Debrauwer L., Concordet D., Servien R., 2017. ASICS: an automatic method for identification and quantification of metabolites in complex 1D 1H NMR spectra, Metabolomics, 13, 109.
• van der Waal K., Morrison R.B., Neuhauser C., Vilalta C., Perez A.M., 2017. Translating big data into smart data for veterinary epidemiology. Front Vet Sci., 4, 110. doi:/10.3389/fvets.2017.00110
• Viet A.F., Krebs S., Rat-Aspert O., Jeanpierre L., Belloc C., Ezanno P., 2018. A modelling framework based on MDP to coordinate farmers' disease control decisions at a regional scale. PLOS ONE 13, 6, e0197612. doi:10.1371/journal.pone.0197612
• Villani C., 2018. Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne. Rapport de mission parlementaire. 235 pages, Paris, France.
• Vodovotz Y., Xia A., Read E.L., Bassaganya-Riera J., Hafler D.A., Sontag E., Wang J., Tsang J.S., Day J.D., Kleinstein S.H., Butte A.J., Altman M.C., Hammond R., Sealfon S.C., 2016. Review Solving Immunology? Trends Immunol., doi:10.1016/j.it.2016.11.006
• Vrakas D., Vlahavas I.P.L., 2008. Artificial Intelligence for Advanced Problem Solving Techniques. Information Science Reference, Hershey, PA, 369p.
• Zhang W., Chien J., Yong J., Kuang R., 2017. Network-based machine learning and graph theory algorithms for precision oncology. NPJ Precision Oncology, 1, 25.