L’IRM prénatale est l’un des outils diagnostiques les plus précieux de la médecine, et l’un de ses plus frustrants. Lorsqu’une échographie de routine signale une anomalie cérébrale potentielle chez un fœtus en développement, une IRM est la suite logique. Le problème est que les fœtus bougent. Et lorsqu’ils bougent, le scanner échoue.
Une équipe de recherche du MIT, du Boston Children’s Hospital et d’Inria a développé un modèle de deep learning appelé E(3)-Pose qui s’attaque directement à ce problème, non pas en rendant l’IRM plus rapide ou moins chère dans l’absolu, mais en résolvant un mode de défaillance spécifique et concret qui a longtemps compromis la précision diagnostique en imagerie fœtale.
La physique d’une cible en mouvement
Pour comprendre pourquoi l’IRM fœtale est si difficile, il est utile de comprendre le fonctionnement de l’imagerie. Une IRM du cerveau fœtal n’est pas une simple photographie. C’est un empilement de coupes d’images bidimensionnelles qui, une fois assemblées, forment une image volumétrique tridimensionnelle du cerveau. La qualité de cette image dépend entièrement de la prise de chaque coupe sous un angle cohérent et prévisible.
Lorsque le fœtus bouge, cette cohérence disparaît. Chaque coupe peut être capturée selon une orientation différente, laissant des lacunes dans la couverture et des angles mal alignés dans l’image finale. Comme l’explique la première auteure Ramya Muthukrishnan, doctorante au MIT, les coupes finissent par être “partout”. Le radiologue qui examine le scanner travaille alors avec une image incomplète, au sens propre du terme. Les détails structurels fins qui indiqueraient un développement cérébral anormal deviennent invisibles ou ambigus. Il en découle des diagnostics manqués et des diagnostics incorrects.
C’est ce que la plupart des reportages sur l’IA en médecine passent sous silence. Le défi n’est pas que l’IA doive être plus intelligente dans un sens général. C’est qu’un problème physique très spécifique, le mouvement fœtal lors de l’acquisition des images, dégrade la fiabilité diagnostique depuis des années, et la solution exige de comprendre la physique de ce problème, et pas seulement d’entraîner un modèle sur de grands jeux de données.
La symétrie comme choix de conception
Ce qui distingue E(3)-Pose d’une approche de deep learning conventionnelle est l’endroit où la physique réside dans le modèle. Plutôt que de nourrir le modèle avec des données en espérant qu’il apprenne les principes physiques par lui-même, les chercheurs ont intégré ces principes directement dans l’architecture du réseau de neurones. Plus précisément, la symétrie gauche-droite de la tête fœtale est intégrée à la structure du modèle. Il est ainsi beaucoup plus facile pour le système de déterminer avec précision l’orientation du cerveau, même lorsque le fœtus est en mouvement.
Cette philosophie de conception, qui consiste à coder des contraintes physiques connues dans le modèle plutôt que de les laisser être inférées à partir de données, est ce que la superviseure de Muthukrishnan, la professeure Polina Golland, décrit comme la combinaison de “concepts géométriques comme l’équivariance et la symétrie avec la puissance du deep learning”. Le résultat est un modèle qui suit la position de la tête fœtale de manière plus fiable parce qu’il ne devine pas la symétrie à partir d’exemples. Il la connaît déjà.
Le processus de développement n’a pas été simple. Muthukrishnan est arrivée sur le projet avec une formation en informatique, et non en physique des IRM. Implémenter le modèle sur le matériel d’un véritable scanner, par opposition à son exécution sur des données dans un environnement informatique, s’est avéré être un défi totalement différent. Elle a fait planter le scanner à plusieurs reprises lors des tests. Le co-auteur Borjan Gagoski, professeur assistant de radiologie à la Harvard Medical School et chercheur au Boston Children’s Hospital, a aidé à résoudre ces pannes et a développé des séquences d’acquisition IRM supplémentaires pour soutenir l’entraînement du modèle. L’assistante de recherche Aryn Lee au Boston Children’s a recruté les volontaires enceintes et géré l’acquisition des scanners.
La motivation clinique derrière ce travail est directe. Muthukrishnan se souvient avoir assisté à une séance d’IRM fœtale au Boston Children’s Hospital au début de son doctorat, où une patiente enceinte a passé une heure dans le scanner pour finalement interrompre l’examen à mi-parcours en raison de l’inconfort, laissant le radiologue sans image utilisable. Cette expérience, a-t-elle déclaré, a contribué à définir l’orientation de ses recherches. La frustration était partagée, et le fossé entre ce que la technologie pouvait théoriquement fournir et ce qu’elle offrait réellement en pratique était visible.
Pourquoi c’est important au-delà de la clinique
Les implications d’E(3)-Pose s’étendent dans deux directions. La première est clinique et immédiate. Ellen Grant, qui dirige le Fetal Neonatal Neuroimaging and Developmental Science Center au Boston Children’s Hospital, a souligné que ces travaux pourraient automatiser l’IRM cérébrale fœtale, remplaçant un processus lent et manuel par des examens plus rapides, plus confortables et des images de meilleure qualité pour les radiologues. Le modèle actuel est principalement entraîné sur des fœtus du troisième trimestre. Le prochain objectif déclaré de Muthukrishnan est de l’étendre à l’imagerie du deuxième trimestre, où les enjeux sont plus importants: les fœtus plus jeunes bougent davantage, sont plus petits et plus difficiles à imager, mais une détection plus précoce des anomalies cérébrales offre davantage d’options d’intervention.
La seconde direction est plus vaste. La même approche architecturale, à savoir des réseaux de neurones informés par la physique qui codent des contraintes géométriques connues, a des applications potentielles dans l’imagerie d’autres anatomies complexes et dans des domaines comme la conduite autonome, où les capteurs doivent suivre des objets tridimensionnels à travers des données bruyantes et incomplètes.
Voici ce que cela indique sur le développement de l’IA en général: les avancées les plus durables proviennent souvent non pas de la mise à l’échelle des modèles, mais de l’intégration de la connaissance du domaine dans leurs fondations. Un modèle qui comprend la symétrie parce que la symétrie fait partie de sa structure surpassera un modèle qui doit l’apprendre à partir d’exemples, en particulier lorsque les exemples sont limités, comme c’est inévitablement le cas en imagerie médicale spécialisée.
En bref
E(3)-Pose est un modèle de deep learning conçu pour suivre le mouvement de la tête fœtale pendant les examens IRM, permettant d’obtenir des images plus claires et plus complètes du cerveau en développement. Son innovation clé est architecturale: des principes physiques, plus précisément la symétrie gauche-droite de la tête fœtale, sont intégrés directement dans le modèle plutôt que d’être appris à partir de données. Développé par des chercheurs du MIT, du Boston Children’s Hospital et d’Inria, le système s’attaque à un problème diagnostique concret qui a longtemps provoqué des diagnostics prénataux manqués et incorrects. La leçon générale est que le fait d’encoder ce que l’on sait déjà du monde physique dans les systèmes d’IA peut produire des outils plus fiables que le seul entraînement.
D’après un reportage de MIT News AI.