À mesure que l’industrie dentaire devient plus compétitive, les laboratoires dentaires doivent se tourner vers de nouvelles technologies pour survivre. L’intelligence artificielle peut donner à ces laboratoires l’avantage dont ils ont besoin sur un marché encombré. Sergei Azernikov, vice-président du développement logiciel chez Glidewell, a récemment discuté de l’impact que l’IA peut avoir sur les laboratoires dentaires avec le Dental AI Council (DAIC).
DAIC : Comment en êtes-vous venu à reconnaître le potentiel de l’IA ?
Sergei : C’est une longue histoire, mais une histoire innovante et avant-gardiste. Glidewell est l’un des plus grands fournisseurs de produits spécifiques aux patients pour la dentisterie restauratrice aux États-Unis. Probablement dans le monde. Nous produisons quotidiennement des milliers de solutions dentaires sur mesure, notamment des restaurations, des implants et des appareils. Ces produits exigent un haut niveau de précision et de cohérence.
Traditionnellement, la fabrication de produits dentaires s’appuie fortement sur des techniciens hautement qualifiés. Nous employons environ 5 000 professionnels. Un laboratoire typique compte cinq à dix personnes. Un défi majeur pour nous est de maintenir un niveau de qualité constant dans toute l’entreprise. Cela inclut les différents sites de production, ainsi que des techniciens d’horizons différents. C’est très difficile.
Je dirais que la première grande étape pour relever ce défi a été l’introduction de la CAO/FAO au cours de la dernière décennie. La CAO/FAO a permis aux techniciens de se concentrer davantage sur les aspects qualitatifs du produit. Aujourd’hui, l’IA est construite sur le système de CAO/FAO.
L’avantage de l’IA est que ces systèmes ne sont pas initialement programmés pour des tâches répétitives. Les systèmes d’IA sont plutôt flexibles et s’adaptent au contexte. Ils sont donc parfaitement adaptés à l’industrie dentaire. En dentisterie, chaque dent est unique. Il n’y a pas deux dents individuelles identiques. Cela fait de la dentisterie un banc d’essai parfait pour l’apprentissage machine (ML) et l’IA.
DAIC : Lorsque vous parliez du stockage dans le cloud et des données dont vous disposez, il est évident que nous avons besoin de toutes les données pour que l’apprentissage automatique fonctionne et apprenne. A quoi ressemblent vos données ?
Sergei : En un mot, les modèles 3D et les conceptions achevées. Ce sont les données de base qui sont stockées, mais dans le processus, nous générons beaucoup plus d’informations sur le produit. Il y a un million de paramètres, principalement pour la fabrication, les paramètres des matériaux, et toutes ces données supplémentaires sont stockées. Nous ne les exploitons pas encore toutes, mais à l’avenir, je suis sûr que nous serons en mesure de tout utiliser pour analyser et améliorer nos processus. Nous cherchons à avoir une vue à 360 degrés de l’affaire et de notre client afin de fournir le meilleur service possible.
DAIC : Vous avez parlé de boucler la boucle et d’obtenir un retour d’information de la part des fournisseurs. Cela fait-il partie de ce qui vous permettra d’utiliser certaines de ces données que vous n’utilisez pas actuellement ?
Sergei : Oui. Pour aller un peu plus loin, il y a deux modes. Il y a un mode, je dirais, post-factum, où si le client n’est pas satisfait, nous analysons pourquoi il ne l’est pas. Et nous essayons de remonter à la source du problème et de nous concentrer sur la solution.
Mais il y a aussi une situation que j’envisage, et nous en sommes assez proches, où le médecin peut faire partie du processus. Pensez à la façon dont les gens sont habitués à pouvoir voir l’état de leur commande sur Amazon, par exemple. Ils savent exactement où se trouve leur colis. Aujourd’hui, nous recevons encore des appels de médecins qui demandent : “Où est mon dossier ?” Nous voulons vraiment que le médecin puisse voir où en est son cas à n’importe quel moment du processus, et qu’il puisse donner son avis.
Par exemple, il pourrait voir le fichier de conception et l’approuver ou le désapprouver. Il pourrait même le corriger à sa guise. Les exigences de chaque médecin sont quelque peu différentes, nous devrions donc pouvoir leur permettre de regarder le cas et de dire, par exemple, “Je veux que ce contact soit plus serré” ou “Je veux que l’occlusion soit plus ou moins haute”.
Nous envisageons qu’ils puissent le faire eux-mêmes par le biais d’un portail web. C’est tout à fait réalisable aujourd’hui avec le niveau d’intégration dont nous disposons, et avec le back-end en nuage dont nous venons de parler. Je pense qu’en fin de compte, c’est là que se situe l’avenir, et les médecins s’y attendront.
DAIC : Y a-t-il un aspect de votre entreprise qui a bénéficié, ou qui va bénéficier, le plus de ces technologies ?
Sergei : L’une des plus grandes percées que nous avons pu réaliser concerne l’automatisation de la conception. Il est difficile de maintenir une qualité constante entre des centaines ou des milliers de concepteurs. Nous travaillons sur l’automatisation de la conception depuis que je suis dans l’entreprise, c’est-à-dire depuis huit ans.
Ce n’est que récemment que nous avons réalisé une percée significative basée sur les réseaux adversariaux génératifs (GAN), comme je l’ai mentionné. Cette technologie a été désignée comme l’une des plus grandes percées de 2018 par le MIT Technology Review. Mais le potentiel n’est pas pleinement réalisé. L’idée est que vous avez un système qui génère des images réalistes qui sont difficiles à distinguer des images réelles. Aujourd’hui, la plupart des gens l’utilisent pour ces fameux deep fakes, fausses vidéos et fausses photos.
Nous avons pu l’utiliser au profit de nos clients. Nous générons des restaurations dentaires esthétiques qui sont précises en termes de fonctionnalité et d’ajustement. Nous collaborons avec l’université de Berkeley. Je dirais que la réussite de ce projet est tout à fait remarquable. Habituellement, il faut des années pour faire passer quelque chose de l’université à la production. Nous avons pu passer du prototype au système de production opérationnel en moins d’un an. Et nous le déployons aujourd’hui dans toute l’entreprise.
Ainsi, nous éliminons pratiquement le besoin d’un concepteur humain. Le concepteur, à son tour, devient une personne chargée du contrôle de la qualité. Ils regardent la conception finale. S’il est approuvé, il le fait passer. Dans la plupart des cas, ils l’aiment. Si ce n’est pas le cas, il faut généralement moins d’une minute pour l’ajuster. En conséquence, nos concepteurs sont en mesure d’augmenter leur débit de plus de cent pour cent.
Nous considérons qu’il s’agit de l’une des plus grandes réalisations tangibles de l’IA à ce jour pour notre entreprise. Nous avons publié les résultats de cette étude lors d’événements technologiques de premier plan et cela a fait des vagues dans la communauté AI/ML au-delà de l’espace dentaire. C’est l’une des premières grandes applications concrètes de la technologie des réseaux adversariaux génératifs. En fait, je ne connais personne d’autre qui l’utilise dans le domaine physique. C’est donc très excitant.
DAIC : Vous avez mentionné une moindre dépendance à l’égard des concepteurs humains dans votre processus de production, alors quel a été l’impact sur la main-d’œuvre humaine associé à l’intégration de l’IA dans votre entreprise ?
Sergei : Il y aura un impact sur la main-d’œuvre. Et c’est déjà le cas, non seulement à cause de l’IA, mais aussi à cause d’autres technologies numériques. J’ai déjà mentionné le scanner. Il rend essentiellement obsolète toute la salle de plâtre, et c’est l’une des étapes les plus laborieuses du processus aujourd’hui.
Nous allons donc assister à un énorme changement dans les coûts de la main-d’œuvre et dans le type d’emplois. Au lieu de compter sur une main-d’œuvre peu qualifiée, nous aurons besoin de personnes pour faire fonctionner les scanners. Nous aurons besoin de données étiquetées pour former des réseaux neuronaux. En fait, nous avons déjà des gens qui font ça dans mon équipe. Nous avons fait appel à des techniciens dentaires de la production qui souhaitaient changer de carrière. Nous les formons à étiqueter des données pour nous, à utiliser des scanners et à tester des logiciels. Certains deviennent même des ingénieurs en logiciels, ce qui est, je pense, tout à fait remarquable.
DAIC : Où en est l’industrie dentaire dans son ensemble en termes d’adoption de l’IA aujourd’hui ?
Sergei : Le secteur dentaire est relativement peu avancé par rapport aux autres secteurs. Le taux d’adoption des scanners intra-oraux en est un bon exemple. Il s’agit d’une première étape dans cette voie de la numérisation. C’est ainsi que l’on crée des données numériques. Ainsi, si vous regardez le taux d’adoption des scanners internes, cette technologie existe sur le marché depuis des décennies, mais plus de 80 % des dentistes américains utilisent encore des empreintes physiques.
Le taux d’adoption s’accélère en fait aujourd’hui, notamment en raison de la situation du COVID, où les gens peuvent considérer que l’envoi d’empreintes n’est pas hygiénique. Mais, dans l’ensemble, je pense que le secteur a encore beaucoup de chemin à parcourir pour se comparer à d’autres domaines de pointe. La dentisterie numérique en est encore à ses débuts.
DAIC : Comment voyez-vous la voie à suivre pour une meilleure intégration de l’IA dans l’ensemble du secteur ?
Sergei : Eh bien, il y a différentes perspectives, évidemment. Il y a différentes couches : les médecins, leurs laboratoires, et leurs patients. De plus en plus de pression peut venir du côté du patient et de la concurrence. Des entreprises comme SmileDirectClub, Byte et d’autres sont des start-ups qui contournent essentiellement le médecin et s’adressent directement au consommateur. Cela met une forte pression sur les médecins pour qu’ils se modernisent, deviennent plus efficaces et fournissent des soins de meilleure qualité et plus abordables.
Par exemple, avec les restrictions du COVID, certains médecins ont adopté des options de soins à distance. Il existe des sociétés comme Dental Monitoring et Grin qui vous offrent la possibilité de vous surveiller vous-même. Elles permettent aux patients de fournir des vidéos prises sur leur téléphone portable pour que le médecin puisse examiner à distance leurs progrès.
Un autre problème est la concurrence entre les médecins eux-mêmes. Beaucoup veulent améliorer la qualité des soins pour montrer aux patients qu’ils sont plus objectifs. Ils emploient des moyens comme le scanner intra-oral et les techniques de diagnostic automatique. Je pense que ce sera la première étape pour que les médecins entrent dans le domaine de l’IA/ML.
Du point de vue des laboratoires, les médecins vont également commencer à adopter de plus en plus de systèmes au fauteuil, comme le scanner interne, les logiciels de conception et les fraiseuses. Ainsi, le médecin serait en mesure de fabriquer une restauration au fauteuil. Nous avons un produit de ce type et nous constatons une augmentation de la demande.
Je pense qu’à l’avenir, avec l’évolution des générations et l’arrivée de jeunes médecins dans la profession, de plus en plus de médecins seront prêts à adopter ces nouvelles technologies. Et cela mettra la pression sur les laboratoires pour qu’ils restent compétitifs, se développent et fournissent des soins meilleurs et plus rapides. Nous offrons maintenant à nos clients des délais d’exécution de trois jours pour concurrencer les systèmes au fauteuil. Tous ces facteurs vont mettre la pression sur les différents acteurs. En fin de compte, ils devront adopter des flux de travail numériques plus avancés pour rester compétitifs.
DAIC : Avant de conclure, pouvez-vous évoquer les faiblesses que vous voyez dans les systèmes numériques actuels ?
Sergei : Si vous regardez le type d’apprentissage automatique qui a été utilisé aujourd’hui pour 99,9 % des applications commerciales, c’est ce qu’on appelle l’apprentissage entièrement supervisé. Cela signifie que toutes les données nécessaires à la formation sont fournies lors de la formation, et qu’ensuite, le modèle ne change pas. Si vous devez apporter des modifications, vous devez réentraîner le modèle. Cela signifie que le modèle n’est aussi bon que les données que nous lui fournissons lors de la phase de formation, et qu’il ne peut être utilisé que pour la tâche spécifique pour laquelle il a été formé.
Ainsi, par exemple, si vous formez un modèle à la fabrication d’unités simples, il ne sera jamais en mesure de générer des ponts. Si le type d’entrée change, le modèle ne peut pas s’y adapter. Si vous formez un réseau pour identifier un certain type de pathologie, il ne pourra détecter que ces pathologies, et si vous essayez de rechercher quelque chose de légèrement différent, il ne pourra pas l’identifier.
Ce que nous souhaitons vraiment, c’est d’avoir un système capable d’apprendre dynamiquement au fur et à mesure, comme le fait un humain. C’est encore un défi avec la technologie actuelle, mais je suis sûr que c’est vers cela que l’on se dirige. Nous aurons des systèmes dotés de ce que l’on appelle l’apprentissage permanent – un apprentissage en temps réel qui s’ajuste en fonction des réactions humaines ou des nouvelles données.
Un autre défi concerne les problèmes de longue traîne, pour lesquels nous disposons de très peu de données sur certaines situations. Les algorithmes actuels nécessitent des quantités massives de données pour former quelque chose de stable. Si nous avons une pathologie qui ne se produit pas très souvent, il est assez difficile de former un modèle pour l’identifier.
Ce sont, à mon avis, les principaux obstacles ou les principaux défis qui doivent être résolus par la communauté AI/ML en général. Et cela rendra beaucoup de choses plus faciles à l’avenir. Tôt ou tard, cela va se produire.
Sergei Azernikov est vice-président du développement logiciel chez Glidewell, où il dirige le développement des technologies d’IA qui façonneront l’industrie dentaire du futur.
Le Dental AI Council (DAIC) est un organisme à but non lucratif dont la mission est d’aider à définir l’avenir de l’intelligence artificielle (IA) en dentisterie par la recherche, l’éducation et le leadership.
En 2015, nous avons commencé à réfléchir à la manière d’appliquer l’IA dans notre domaine. Nous nous sommes demandé : “Pouvons-nous entraîner une machine à reconnaître des dents individuelles ?” C’est facile pour un technicien formé, mais pas pour un opérateur non formé. Nous avons donc entraîné le réseau AlexNet, qui était une architecture standard, à identifier les dents.
Nous avons mis en place une compétition entre l’un de nos techniciens les plus expérimentés et le réseau neuronal. Et vous pouvez imaginer ce qui s’est passé. Même si le technicien était très expérimenté, il a fait quelques erreurs. Mais le réseau a été précis dans 100 % des cas !
Cela nous a confortés dans l’idée que le modèle d’IA peut apprendre l’anatomie dentaire et, en tant que tel, il peut être appliqué à de nombreuses applications différentes. C’est ainsi que nous avons convaincu l’entreprise d’investir dans l’IA. Et cinq ans plus tard, nous avons déjà déployé l’apprentissage automatique dans de nombreux aspects différents de l’entreprise.
DAIC : Pouvez-vous fournir quelques exemples ?
Sergei : Bien sûr. La première étape était la CAO/FAO, comme je l’ai mentionné. Le défi suivant, je dirais, était de migrer vers le cloud computing. C’est également extrêmement important. Les données numériques que nous générions étaient réparties sur des disques locaux. Il n’était pas facile d’identifier les cas, et il était difficile de récolter les données sous cette forme. L’une de nos premières décisions a donc été d’adopter le cloud computing.
Nous avons été des adeptes précoces de cette technologie, il y a environ sept ans, lorsqu’elle commençait vraiment à prendre son essor. Nous avons participé à l’un des premiers événements AWS re:Invent. C’était un petit événement à l’époque, environ 5 000 participants. Je pense que l’année dernière, il y en avait environ 50 000. À ce moment-là, nous avons décidé de transférer notre infrastructure vers AWS. Aujourd’hui, nous avons plus de 10 millions de cas stockés là-bas, ce qui rend la récolte beaucoup plus pratique pour notre apprentissage automatique.
C’était une condition préalable nécessaire pour déployer l’IA par la suite. Si vous regardez notre entreprise aujourd’hui, nous poussons vraiment cette technologie dans tous les aspects de notre activité. En commençant par la réception, où nous identifions ce qui arrive dans la boîte du médecin, nous reconnaissons quel type de plateau est sorti, quel type d’empreinte, quelle dent a été préparée par le médecin, quel type de restauration est nécessaire. Tout cela était initialement saisi manuellement. Les modèles d’apprentissage automatique le font automatiquement et avec plus de précision.
En convertissant à la numérisation, nous déployons maintenant des scanners CT au lieu d’une salle de plâtre traditionnelle. Cette technologie est utilisée pour des applications orthodontiques depuis un certain temps déjà, mais en dentisterie restauratrice, nous sommes les pionniers en la matière. Nous fabriquons les scanners CT en interne, ce qui est assez unique dans le secteur. Nous numérisons donc ces empreintes, puis l’IA résout les données et les nettoie.
Ces scanners alimentent nos systèmes de conception automatisés qui utilisent un réseau de style génératif, l’une de nos principales percées, et obtiennent les informations de conception à partir de là. Elles sont ensuite envoyées à notre usine numérique, où nous disposons de processus fortement automatisés faisant appel à la robotique et aux fraiseuses. Nous les produisons également ici, à Glidewell. Et enfin, lorsque la restauration est prête, nous disposons d’un système d’inspection qui vérifie que nous avons fabriqué ce que nous avons conçu et que nous expédions la couronne appropriée au bon patient chez le bon médecin.
