# Qu’était MYCIN, et comment un programme des années 1970 choisissait-il des antibiotiques aussi bien que des spécialistes?

Date: 2019-10-19 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/qu-est-ce-que-mycin-systeme-expert/

**Answer:** MYCIN était un système expert construit à Stanford dans les années 1970 qui conseillait les médecins sur les infections bactériennes graves, d’abord du sang, puis la méningite, à l’aide de plusieurs centaines de règles « si… alors » rédigées avec des spécialistes des maladies infectieuses. Dans une étude à l’aveugle de 1979, des experts externes ont jugé ses choix d’antibiotiques acceptables plus souvent que ceux de médecins professeurs de Stanford; il n’a pourtant jamais été utilisé couramment en clinique.

Imaginez un médecin devant un patient atteint d’une infection dangereuse. Le laboratoire a mis en culture des bactéries à partir d’un échantillon de sang, mais les identifier avec précision prendra un jour ou deux. Le traitement ne peut pas attendre. Quel antibiotique le médecin devrait-il commencer tout de suite? Au début des années 1970, une équipe de Stanford a entrepris de saisir la façon dont les spécialistes des maladies infectieuses répondent à cette question, et de mettre leur raisonnement dans un programme que n’importe quel médecin pourrait consulter. Le résultat a été MYCIN.

MYCIN est devenu l’exemple type du **système expert** : un programme qui stocke le savoir d’un spécialiste sous forme de règles et les applique à un cas précis. Son nom est simplement la terminaison commune de nombreux noms d’antibiotiques en anglais, choisie à la suggestion de l’un des médecins de l’équipe.

## Qui l’a construit, et quand

MYCIN est né de DENDRAL, un programme antérieur de Stanford qui déterminait la structure de composés chimiques à partir de données de laboratoire, à l’aide de règles fournies par des chimistes. Bruce Buchanan, un informaticien de l’équipe DENDRAL, voulait essayer la même approche sur un problème médical.

L’élément déclencheur a été Edward Shortliffe, un étudiant en médecine qui avait découvert l’IA dans un cours d’informatique. Il travaillait comme assistant de recherche pour Stanley Cohen, chef de la pharmacologie clinique à l’école de médecine de Stanford, sur un programme d’alerte aux interactions médicamenteuses. Leurs discussions ont porté sur un programme qui vérifierait les ordonnances d’antibiotiques, puis sur un projet plus ambitieux : un consultant informatique calqué sur un spécialiste des maladies infectieuses. Thomas Merigan, chef de la division des maladies infectieuses de Stanford, a prêté son expertise et celle du médecin Stanton Axline. Ce travail est devenu la thèse de doctorat de Shortliffe.

Les dates varient un peu selon les sources. La première demande de subvention de l’équipe, en octobre 1973, indiquait que la collaboration durait depuis environ un an et demi, ce qui situe le début vers le début de 1972. Dans l’ensemble, le développement principal a pris cinq ou six ans, au début et au milieu des années 1970. Le programme était écrit en Interlisp, une version du langage Lisp, et il tournait sur un gros ordinateur partagé que les utilisateurs joignaient au moyen de terminaux, y compris par l’ARPANET.

## Comment MYCIN raisonnait

Les connaissances de MYCIN tenaient dans environ 600 règles (leur nombre a augmenté avec le temps). Chaque règle avait la forme « SI ces faits sont vrais, ALORS conclure ceci, avec une certaine force ». L’équipe décrivait la tâche du spécialiste en quatre questions : l’infection est-elle assez importante pour être traitée? Quel organisme la cause probablement? Quels médicaments pourraient agir contre lui? Et quel médicament ou quelle combinaison convient le mieux à ce patient?

Pour répondre, MYCIN utilisait le **chaînage arrière**. Au lieu de partir des données pour voir ce qui en découle, il partait d’un but, comme « identifier l’organisme », trouvait les règles qui pouvaient conclure ce but, puis posait des questions sur tout ce dont ces règles avaient besoin. C’est pourquoi une séance ressemblait à une entrevue : le programme posait au médecin une question après l’autre, chacune choisie parce qu’une règle avait besoin de la réponse.

La médecine est rarement certaine; chaque conclusion portait donc un **facteur de certitude**, un nombre allant de −1 (certainement faux) à +1 (certainement vrai). Quand deux règles appuyaient la même conclusion, MYCIN combinait leurs facteurs de certitude pour que le total augmente sans dépasser 1. Pour deux valeurs positives X et Y, la formule est X + Y − XY.

Voici un exemple concret de la façon dont les indices s’accumulent :

| Indice | Facteur de certitude | Total cumulé |
|---|---|---|
| La règle 1 suggère l’organisme E. coli | 0,8 | 0,8 |
| La règle 2 suggère aussi E. coli | 0,5 | 0,8 + 0,5 − (0,8 × 0,5) = 0,9 |
| La règle 3 suggère aussi E. coli | 0,3 | 0,9 + 0,3 − (0,9 × 0,3) = 0,93 |

Chaque nouvel appui augmente la confiance, mais de moins en moins. Les facteurs négatifs, issus de règles qui vont à l’encontre d’une conclusion, font baisser le total.

MYCIN pouvait aussi s’expliquer. Quand on lui demandait *pourquoi* il voulait une information, ou *comment* il était arrivé à une conclusion, il énumérait les règles en cause. Cette fonction comptait : les médecins de l’équipe pouvaient lire une chaîne de règles, repérer une erreur et la corriger.

> **À essayer :** choisissez une décision de tous les jours, comme apporter ou non un parapluie. Écrivez trois règles « si… alors » avec des facteurs de certitude (par exemple, « SI le ciel est gris ALORS pluie, 0,4 »), puis combinez-les avec X + Y − XY et voyez comment votre confiance évolue.

## Est-ce que ça fonctionnait bien?

Le test le plus cité, publié dans le *Journal of the American Medical Association* en 1979, portait sur dix cas difficiles de méningite, une infection des membranes qui entourent le cerveau. Dix « prescripteurs » ont recommandé un traitement pour chaque cas : MYCIN, cinq spécialistes professeurs à Stanford, un fellow, un résident, un étudiant en médecine et les médecins qui avaient réellement traité le patient. Huit experts en maladies infectieuses d’autres établissements ont ensuite évalué les 100 recommandations sans savoir laquelle venait d’un ordinateur.

Les experts ont jugé acceptables 65 % des recommandations de MYCIN. Les cinq professeurs ont obtenu entre 42,5 % et 62,5 %. MYCIN n’a par ailleurs jamais manqué un organisme traitable. Les auteurs eux-mêmes ont souligné que dix cas forment un petit échantillon, et que les experts étaient souvent en désaccord entre eux, ce qui en dit autant sur la difficulté de ces décisions que sur le programme.

## Pourquoi c’était important

MYCIN a montré que le savoir d’une spécialité étroite pouvait être mis par écrit sous forme de règles et appliqué avec des résultats dignes d’un expert. Une coquille fondée sur lui, appelée EMYCIN, conservait le moteur de raisonnement, mais laissait de côté les règles médicales, pour que d’autres puissent la remplir de connaissances d’autres domaines. Cette idée, séparer le moteur de raisonnement de la base de connaissances, a contribué à alimenter l’essor des systèmes experts des années 1980, aux côtés de systèmes commerciaux comme XCON, de DEC. MYCIN a aussi mis au jour le principal goulot d’étranglement du domaine : faire sortir les connaissances de la tête des experts pour les transformer en règles demandait énormément de temps.

En 2019, une grande partie de l’enthousiasme pour l’IA en médecine porte sur des systèmes qui apprennent à partir de vastes collections d’exemples plutôt que de règles écrites à la main. MYCIN rappelle utilement qu’un programme médical peut bien performer sur papier et avoir encore un long chemin à faire avant d’arriver au chevet des patients.

## Pourquoi MYCIN n’a-t-il jamais servi à traiter de vrais patients?

Ce n’était pas parce qu’il donnait de mauvais conseils. Les obstacles étaient pratiques. MYCIN était un programme autonome : un médecin devait s’asseoir à un terminal et taper les réponses à une longue série de questions, en saisissant de nouveau des renseignements qui existaient déjà dans les dossiers du laboratoire et de la pharmacie. Dans les années 1970, il n’existait aucun moyen simple de le relier à ces systèmes, et il n’y avait pas d’ordinateurs personnels sur le bureau des médecins.

Il restait aussi des questions ouvertes que l’étude de 1979 nommait directement : les médecins accepteraient-ils les conseils d’un ordinateur? Cela améliorerait-il les soins aux patients? Combien cela coûterait-il, et qui serait légalement responsable si ses conseils étaient mauvais? Ces questions se posent encore chaque fois qu’un outil d’IA est proposé à un hôpital, et c’est l’une des raisons pour lesquelles MYCIN vaut toujours la peine d’être étudié.

## Sources

- Rule-Based Expert Systems, Chapter 1: The Context of the MYCIN Experiments: http://www.shortliffe.net/Buchanan-Shortliffe-1984/Chapter-01.pdf
- Rule-Based Expert Systems, Chapter 31: An Evaluation of MYCIN's Advice: http://www.shortliffe.net/Buchanan-Shortliffe-1984/Chapter-31.pdf
- Mycin: https://web.archive.org/web/20190923160040/https://en.wikipedia.org/wiki/Mycin