L'intelligence artificielle détecte les anomalies cardiaques chez les nouveau-nés
Des chercheurs de l'ETH Zurich et de la clinique KUNO St. Hedwig de Regensburg ont développé un algorithme capable de détecter automatiquement et de manière fiable une malformation cardiaque spécifique chez les nouveau-nés.
De nombreux enfants naissent avec le fameux premier cri. Avec ce cri, le nouveau-né cherche automatiquement de l'air. Les poumons, qui étaient auparavant au repos, se déploient, les vaisseaux dans les poumons se dilatent et l'ensemble du système circulatoire s'adapte à la vie en dehors du ventre de la mère. Cela ne se passe pas toujours aussi bien. En particulier chez les prématurés ou les nouveau-nés gravement malades, il peut se produire ce que l'on appelle une hypertension pulmonaire - une maladie grave dans laquelle les artères pulmonaires restent rétrécies après la naissance ou se referment dans les premiers jours ou semaines suivant la naissance. Le flux sanguin vers les poumons est alors limité et la saturation en oxygène du sang est réduite.
Un diagnostic et un traitement immédiats améliorent les perspectives
Il est désormais important que les cas graves d'hypertension pulmonaire puissent être détectés et traités le plus rapidement possible. En effet, plus le traitement est précoce, meilleur est le pronostic pour le nouveau-né. Il n'est toutefois pas facile de poser le bon diagnostic. Seuls les cardiologues pédiatriques expérimentés sont en mesure de diagnostiquer une hypertension pulmonaire à l'aide d'un examen échographique complet du c?ur. "La détection de l'hypertension pulmonaire est très complexe et nécessite un savoir-faire très spécifique et beaucoup d'expérience. C'est justement en dehors des grands centres périnataux que celui-ci fait souvent défaut", explique le professeur Sven Wellmann, médecin-chef du département administratif de néonatologie à la clinique KUNO St. Hedwig des Barmherzige Brüder à Ratisbonne, en Allemagne.
Des chercheurs du groupe de Julia Vogt, professeure de science des données médicales à l'ETH Zurich, ont désormais développé, en collaboration avec des néonatologues de la clinique KUNO St. Hedwig, un modèle informatique qui peut aider de manière fiable à diagnostiquer la maladie chez les nouveau-nés. Les résultats ont été publiés dans la revue spécialisée Journal international de la vision par ordinateur publié.
Une IA fiable et compréhensible
Les chercheurs de l'ETH ont d'abord entra?né leur algorithme avec plusieurs centaines d'enregistrements vidéo d'échographies cardiaques de 192 nouveau-nés. Outre des images en mouvement du c?ur battant sous différents angles, le jeu de données contenait à chaque fois le diagnostic posé par des cardiologues pédiatriques expérimentés (présence ou non d'une hypertension pulmonaire) et une estimation du degré de gravité de la maladie ("léger" ou "modéré à sévère"). La capacité de l'algorithme à interpréter les images a ensuite été vérifiée à l'aide du jeu de données initial et d'un deuxième jeu de données, encore totalement inconnu du modèle, comprenant des images échographiques de 78 nouveau-nés. Le modèle a réussi à proposer le bon diagnostic dans environ 80 à 90% des cas et à déterminer le degré de gravité correct de la maladie dans environ 65 à 85% des cas.
"Pour qu'un modèle d'apprentissage automatique puisse être utilisé dans le domaine médical, il est toutefois décisif, outre la précision de la prédiction, que l'homme puisse comprendre sur la base de quels critères le modèle prend ses décisions", explique Julia Vogt. Son modèle le permet. Il marque dans les images échographiques les zones sur la base desquelles il a effectué sa classification. Les médecins peuvent donc voir exactement quelles parties ou caractéristiques du c?ur et de ses vaisseaux sont apparues remarquables au modèle. En observant les données disponibles, les cardiologues pédiatriques ont constaté que le modèle - sans avoir été explicitement programmé pour cela - regardait les mêmes caractéristiques qu'eux.
Le diagnostic est toujours posé par une personne
Le modèle d'apprentissage machine est potentiellement applicable à d'autres organes et maladies. Par exemple, pour le diagnostic des défauts de la cloison cardiaque ou des maladies des valves cardiaques.
Dans les régions où aucun(e) spécialiste n'est disponible, un(e) professionnel(le) de la santé peut réaliser des échographies standardisées et le modèle peut donner une première estimation de l'existence d'un risque et de la nécessité de faire appel à un(e) spécialiste. Dans les installations médicales où les professionnels hautement spécialisés sont disponibles, le modèle peut les soulager et contribuer à un diagnostic amélioré et plus objectif. "L'IA a le potentiel d'améliorer de manière décisive les soins de santé. Mais pour nous, il est essentiel qu'en fin de compte, ce soit toujours un être humain, un médecin, qui prenne la décision - l'IA ne fait que soutenir le plus grand nombre possible de personnes pour qu'elles bénéficient des meilleurs soins médicaux possibles", conclut Vogt.
Référence bibliographique
Ragnarsdottir H, Ozkan E, Michel H, Chin-Cheong K, Manduchi L, Wellmann S, Vogt J. Deep Learning Based Prediction of Pulmonary Hypertension in Newborns Using Echocardiograms. International Journal of Computer Vision. 6.2.2024. En ligne : page externeDeep Learning Based Prediction of Pulmonary Hypertension in Newborns Using Echocardiograms | International Journal of Computer Vision (springer.com)