Externalisation de l'IA et du Deep Learning dans la santé : protéger la confidentialité des données

Jonathan Martin, directeur des opérations EMEA chez Anomali, souligne comment l'intelligence artificielle et le deep learning transforment la santé en fournissant des informations exploitables. Des frameworks open-source comme Theano, Torch, CNTK et TensorFlow permettent des prédictions précises pour des pathologies allant du cancer aux maladies cardiovasculaires, basées sur l'imagerie et les données cliniques.

Intégrer l'IA dans les flux de travail médicaux n'est pas optionnel — c'est un impératif stratégique. Pourtant, le chemin est semé d'embûches, notamment une pénurie chronique de professionnels techniquement qualifiés. Si les talents en cybersécurité pourraient combler ce fossé, l'offre d'experts qualifiés reste inférieure à la demande dans l'industrie.

S'ajoute la complexité de l'accès aux informations d'identification personnelle (PII). La PII est une cible de choix pour les cyberattaques, rendant sa protection primordiale. En 2019, le National Health Service (NHS) a collaboré avec DeepMind, filiale d'Alphabet/Google, pour analyser 1,6 million de dossiers patients — incluant analyses sanguines, imagerie diagnostique, statut VIH et historique médicamenteux — soulevant de graves préoccupations en matière de confidentialité.

L'incident du ransomware WannaCry a souligné l'impact dévastateur d'une seule faille sur l'infrastructure de santé nationale. Malgré ces risques, les bénéfices potentiels de l'IA sont trop importants pour être ignorés. La solution réside dans le développement de capacités techniques robustes en interne et l'application de protocoles stricts de gestion des données.

Principales garanties :

• Suppression et pseudonymisation — Éliminer toute PII avant que les données ne quittent l'organisation. Seul un partenaire de confiance doit détenir la correspondance entre identifiants patients et pseudonymes.
• Suppression des attributs semi-sensibles — La localisation géographique ou autres données contextuelles peuvent permettre une ré-identification involontaire et doivent être omises sauf nécessité absolue.

Ces pratiques réduisent le risque mais ne sont pas infaillibles. Une étude de l'Université Carnegie Mellon a révélé que les numéros de sécurité sociale pouvaient souvent être reconstruits à partir de champs apparemment anodins comme la date de naissance et le genre, démontrant les limites de la dé-identification conventionnelle.

Des technologies émergentes comme l'apprentissage fédéré et le chiffrement homomorphe promettent des garanties de confidentialité plus fortes. L'apprentissage fédéré conserve les données brutes sur site tout en agrégeant les mises à jour de modèle, tandis que le chiffrement homomorphe permet le calcul sur données chiffrées sans déchiffrement — éliminant efficacement l'exposition de la PII.

Bien que ces solutions soient encore en maturation, le secteur de la santé doit trouver un équilibre entre l'exploitation du pouvoir transformateur de l'IA et la protection de la confidentialité des patients. L'investissement continu dans le personnel qualifié, les architectures sécurisées et les techniques de renforcement de la confidentialité sera la pierre angulaire d'une adoption responsable de l'IA.

Auteur : Jonathan Martin, directeur des opérations EMEA chez Anomali