L’IRM cérébrale est l’un des outils les plus puissants de la médecine moderne. Elle révèle comment le cerveau se développe, signale les affections neurologiques de manière précoce et guide les décisions cliniques qui façonnent la vie des enfants. Le problème est que les machines capables de produire des examens cérébraux de haute qualité sont chères, énergivores et presque entièrement concentrées dans les pays riches. Une étude publiée dans Scientific Reports par des chercheurs du King’s College London, de l’Université du Cap et de l’Aga Khan University Hospital de Karachi explore un moyen de changer cette situation, en utilisant l’apprentissage profond pour extraire beaucoup plus de valeur diagnostique des scanners abordables qui existent déjà dans les contextes aux ressources plus faibles.
Pourquoi l’IRM à champ ultra-faible a toujours été un compromis
L’IRM standard à haut champ produit des images nettes et détaillées. Les scanners à IRM à champ ultra-faible sont moins chers et consomment beaucoup moins d’énergie, ce qui les rend viables dans les pays à faible et moyen revenu où l’infrastructure à haut champ est tout simplement indisponible. Le compromis a toujours été la qualité de l’image, car une plus faible intensité de champ signifie une résolution plus faible et un rapport signal sur bruit plus faible. Les examens qui en résultent sont plus difficiles à interpréter et moins utiles pour la recherche sur le neurodéveloppement, ce qui est précisément le type de recherche le plus nécessaire dans les populations que ces scanners desservent.
Une solution de contournement existante consiste à acquérir trois examens distincts du même cerveau, chacun à partir d’une orientation différente: axiale, coronale et sagittale. Ces trois examens anisotropes peuvent ensuite être combinés par un processus appelé enregistrement multi-résolution pour reconstruire une image de plus haute résolution. Cela fonctionne, mais cela nécessite trois examens de bonne qualité, ce qui n’est pas toujours réalisable en pratique, en particulier avec de jeunes enfants ou dans des environnements cliniques chargés. Une autre approche entraîne des modèles d’apprentissage profond à l’aide de données appariées, c’est-à-dire des ensembles correspondants d’examens à champ ultra-faible et à haut champ du même cerveau. Cela nécessite l’accès à des scanners à haut champ, ce qui va à l’encontre d’une partie de l’objectif.
Ce que fait réellement le modèle d’apprentissage profond
Cette étude emprunte une voie différente. Les chercheurs ont entraîné un modèle d’apprentissage profond pour générer des reconstructions de haute qualité à partir d’un seul examen d’entrée à champ ultra-faible, sans avoir besoin de trois acquisitions distinctes ni de données appariées à haut champ pour l’entraînement. Les résultats ont montré une amélioration significative à travers plusieurs mesures: les métriques de qualité d’image se sont améliorées, la corrélation entre les volumes tissulaires dans les examens améliorés et les mesures de référence s’est renforcée, et la précision de la segmentation tissulaire, mesurée à l’aide des scores de chevauchement de Dice, a augmenté de manière significative.
Ce que cela signifie en pratique, c’est qu’un clinicien ou un chercheur travaillant avec un seul examen à champ ultra-faible, peut-être le seul examen qu’un enfant pouvait tolérer ou qu’un site pouvait produire, peut désormais obtenir une image de sortie qui approche la qualité obtenue auparavant uniquement grâce au protocole plus exigeant de trois examens. Le temps d’examen diminue. L’obstacle aux données utilisables s’abaisse.
La recherche a été menée sur plusieurs sites, notamment le Red Cross War Memorial Children’s Hospital de l’Université du Cap et l’Aga Khan University Hospital de Karachi, avec le soutien du projet UNITY de la Fondation Bill and Melinda Gates, du programme Wellcome Leap 1kD et du programme DELTAS II Africa. Cette répartition géographique a son importance, car elle reflète une tentative authentique de développer et de valider l’approche dans les contextes où elle est le plus nécessaire, et pas seulement dans des environnements de recherche bien dotés en ressources.
Une découverte mérite une attention particulière. Une validation externe exploratoire dans l’étude suggère qu’un entraînement de modèle spécifique au site peut être nécessaire pour gérer ce que les chercheurs appellent les décalages de domaine, c’est-à-dire les variations des caractéristiques d’image qui découlent de différences d’équipement, d’environnement ou de protocoles d’examen selon les sites. Un modèle entraîné sur les données d’un site peut ne pas donner des résultats aussi performants lorsqu’il est appliqué à des examens provenant d’un site différent. Il ne s’agit pas d’un défaut propre à cette étude, mais d’un défi bien connu de l’IA médicale en général. Le reconnaître ouvertement et intégrer l’entraînement spécifique au site dans le flux de travail proposé reflète une compréhension plus réaliste de la manière dont ces outils seront réellement déployés.
Ce que cela indique sur l’IA dans la santé mondiale
Voici ce que la plupart des reportages sur l’IA en médecine oublient. Le récit dominant se concentre sur l’IA qui surpasse les spécialistes dans les hôpitaux riches, qui lit les examens plus rapidement et qui repère les lésions que les radiologues manquent. C’est une histoire réelle, mais ce n’est pas la seule. Une évolution plus discrète et sans doute plus lourde de conséquences est l’utilisation de l’IA pour rendre l’infrastructure existante et abordable plus performante, en étendant la portée des outils de diagnostic à des populations qui n’ont jamais eu accès à ceux-ci de manière fiable.
L’imagerie cérébrale pédiatrique est un cas spécifique et urgent. La petite enfance est une fenêtre critique pour le neurodéveloppement, et la capacité d’étudier et de surveiller la croissance cérébrale dans les pays à faible et moyen revenu a longtemps été limitée par le coût et la complexité de l’IRM à haut champ. Un modèle d’apprentissage profond capable d’extraire des informations de qualité recherche à partir d’un seul examen abordable ne remplace pas l’expertise clinique. Il donne aux cliniciens et aux chercheurs quelque chose de plus proche des données dont ils ont besoin pour exercer cette expertise efficacement.
Il s’agit également d’une étude sur ce à quoi ressemble l’augmentation par l’IA lorsque l’objectif est l’équité plutôt que l’efficacité. La technologie n’est pas utilisée pour réduire les effectifs ou automatiser les décisions. Elle est utilisée pour combler un fossé entre ce qui est techniquement possible et ce qui est pratiquement disponible pour la plupart des enfants du monde.
En bref
Une équipe de recherche couvrant le Royaume-Uni, l’Afrique du Sud et le Pakistan a démontré qu’un modèle d’apprentissage profond peut améliorer considérablement la qualité des examens IRM cérébraux pédiatriques produits par des scanners abordables à champ ultra-faible, en utilisant un seul examen comme entrée et sans nécessiter de données appariées à haut champ pour l’entraînement. Cela réduit le temps d’examen, abaisse les obstacles aux données de neuro-imagerie utilisables et étend la portée potentielle de la recherche sur le cerveau aux pays à faible et moyen revenu. L’entraînement de modèles spécifiques au site semble important pour des performances fiables dans différents environnements d’examen. La principale implication est que la contribution la plus significative de l’IA à la santé mondiale n’est peut-être pas de remplacer les spécialistes, mais de rendre les outils qui existent déjà dans les contextes mal desservis véritablement utiles.
D’après un reportage de Nature: Machine Learning.