Dans un article de synthèse récent publié dans la revue Intelligence de la médecine naturelledes scientifiques du California Institute of Technology ont discuté de l’implication des technologies d’intelligence artificielle (IA) dans l’ingénierie de la peau électronique de nouvelle génération (e-skin) et dans l’analyse des données de santé collectées par e-skin.
Critique : Skin électronique alimenté par l’intelligence artificielle
Sommaire
Arrière-plan
L’E-skin est défini comme une électronique intégrée qui imite et surpasse les fonctions de la peau humaine. Les E-skins sont flexibles et confortables et peuvent donc être placés sur divers emplacements robotiques et du corps humain pour enregistrer les biosignaux en continu et de manière non invasive. Les e-skins sont généralement utilisés comme interfaces homme-machine dans les bandages intelligents, les bracelets, les autocollants de type tatouage, les textiles, les bagues, les masques et les chaussettes et chaussures intelligentes personnalisées.
Même si les e-skins ont facilité la collecte de données de santé à grande échelle grâce à l’enregistrement en temps réel, l’analyse et l’interprétation des informations de santé restent chronophages et difficiles. Divers algorithmes d’apprentissage automatique ont déjà été utilisés dans les récentes plateformes e-skin multimodales pour l’analyse des données. Les progrès récents dans le domaine du Big Data et de la médecine numérique ont permis aux technologies d’IA d’optimiser la conception de la peau électronique et de créer des profils de santé personnalisés.
Application des technologies d’IA à la conception de skins électroniques
La reproduction des propriétés vitales de la peau humaine dans la peau artificielle reste problématique, principalement en raison de nombreux défis matériels non résolus. L’IA a été proposée pour optimiser la découverte de matériaux et la conception de capteurs afin de repenser de manière autonome les nouveaux patchs e-skin.
En raison de leur biocompatibilité et de leur rentabilité, les matériaux naturels tels que le coton et la soie sont les matériaux de base classiques pour la conception d’e-skins. Cependant, le manque d’extensibilité et d’accordabilité constituent les inconvénients majeurs de ces matériaux. Les matériaux souples synthétisés ont montré des résultats prometteurs en matière de collecte précise de signaux. Cependant, ces matériaux nécessitent une validation supplémentaire en matière de biocompatibilité et de sécurité.
L’apprentissage automatique en tant que branche de l’IA peut identifier des matériaux prometteurs dotés de propriétés ciblées et optimiser la synthèse des matériaux. L’IA peut être utilisée pour sélectionner et optimiser les méthodes de fabrication en fonction des propriétés des matériaux. De plus, l’apprentissage automatique peut être utilisé pour le contrôle qualité lors de la fabrication de masse, ainsi que pour l’optimisation de la conception des e-skins.
L’apprentissage automatique peut rechercher plus efficacement des conceptions de kirigami pour des peaux électroniques tridimensionnelles adaptatives et des membranes élastomères planaires pixélisées que les simulations mécaniques. Ce type de conformation e-skin est requis pour les surfaces courbes.
Pour les données d’expériences sur matériaux bruyantes et discrètes avec une variance élevée, il est nécessaire de prétraiter les données en interpolant les données manquantes et en rééquilibrant les ensembles d’apprentissage biaisés. Un ensemble de données et un pipeline de matériaux plus standardisés sont actuellement nécessaires pour accélérer le développement et la découverte de matériaux.
Application des technologies d’IA au traitement du signal
Les algorithmes d’apprentissage automatique sont capables d’analyser les données rapidement et robustement et peuvent améliorer la qualité des données grâce au débruitage du signal, à la séparation multi-sources et à l’élimination des artefacts. L’apprentissage automatique a également la capacité d’améliorer la sensibilité et la spécificité des capteurs e-skin par rapport au biomarqueur cible. Pour les capteurs biochimiques impliquant des enzymes avec une plage de travail étroite, les algorithmes d’apprentissage automatique peuvent dépasser la saturation du signal et calibrer les capteurs non linéaires dans un environnement de test dynamique.
Les artefacts de mouvement sont responsables du bruit de fond dans l’e-skin. L’apprentissage automatique peut faciliter la collecte de données précises en compensant le bruit et les défauts des capteurs portables. Grâce à l’analyse répétitive des résultats de détection basés sur les données, les plateformes basées sur l’IA peuvent améliorer les capacités de détection des biocapteurs.
Des e-skins alimentés par l’IA pour les interfaces homme-machine
Les technologies d’IA jouent un rôle extrêmement vital pour combler le fossé entre les interactions entre l’homme et la machine. L’IA peut rapidement analyser et interpréter les données multimodales obtenues à partir des patchs e-skin pour manipuler la robotique et fournir une aide humaine.
Les capteurs haptiques alimentés par l’IA utilisés dans les systèmes d’interface homme-machine basés sur la peau électronique peuvent capturer rapidement des mouvements complexes de la main et transmettre des informations physiques à un système informatique, facilitant ainsi la robotique associée à accomplir diverses tâches, telles que l’halètement d’objets, la détection de forme et identification des objets.
Les prothèses robotiques conçues pour réhabiliter le mouvement des personnes handicapées peuvent utiliser des e-skins pour l’extraction de données de mouvement et des algorithmes d’apprentissage automatique pour analyser et contrôler les opérations robotiques.
Des e-skins alimentés par l’IA pour le diagnostic et le traitement des maladies
L’e-skin alimenté par l’IA est une approche prometteuse pour un diagnostic de haute précision des complications cardiaques. Les e-skins alimentés par l’IA peuvent détecter rapidement des changements cardiovasculaires mineurs et progressifs au fil du temps, ce qui peut faciliter un diagnostic automatique en temps opportun.
Les e-skins basés sur l’IA peuvent être utilisés pour surveiller en temps réel les niveaux d’hormones de stress afin de prédire les problèmes de santé mentale. Les e-skins multimodaux alimentés par l’IA ont le potentiel de modéliser les associations de risques et de prédire les résultats en matière de santé mentale en identifiant des associations jusqu’alors méconnues entre les modèles de santé et les facteurs de risque de stress.
Les e-skins alimentés par l’IA peuvent être utilisés pour surveiller plusieurs paramètres biologiques et des algorithmes d’apprentissage automatique peuvent être utilisés pour analyser les données dérivées de l’e-skin à des fins de prédiction des biomarqueurs. La surveillance des médicaments et du métabolisme basée sur la peau électronique peut également faciliter une thérapie personnalisée. Les e-skins alimentés par l’IA peuvent être utilisés pour évaluer la pharmacocinétique et la pharmacodynamique afin de personnaliser la dose de médicament.
L’accessibilité et la sécurité des données sont les défis majeurs associés à l’application clinique des e-skins basés sur l’IA. Ainsi, des réglementations strictes sont nécessaires pour adopter des modèles basés sur l’IA dans la pratique médicale. De plus, les modèles basés sur l’IA peuvent commettre des erreurs. Il est donc essentiel de garantir dans quelle mesure les gens peuvent faire confiance aux prédictions générées par l’IA.
