Utilisation de l’apprentissage automatique pour améliorer la détection des malformations cardiaques fœtales

Utilisation de l’apprentissage automatique pour améliorer la détection des malformations cardiaques fœtales

Les chercheurs ont mis au point une méthode permettant de doubler la précision du médecin dans la détection des malformations cardiaques fœtales in utero à l’aide de l’apprentissage automatique.

Des scientifiques de l’Université de Californie à San Francisco (UCSF) ont mis au point une technique qui combine l’imagerie par ultrasons de routine avec des outils informatiques d’apprentissage automatique pour détecter la majorité des malformations cardiaques fœtales compliquées in utero.

L’équipe de recherche, dirigée par la cardiologue Rima Arnaout, MD, a enseigné à un groupe de modèles d’apprentissage automatique pour simuler les tâches que les cliniciens doivent accomplir lorsqu’ils diagnostiquent une cardiopathie congénitale complexe (CHD).

Actuellement, les médecins ne peuvent détecter que 30 à 50 pour cent de ces conditions avant la naissance. Cependant, la combinaison de l’échographie réalisée par l’homme et de l’évaluation de l’apprentissage automatique a permis à l’équipe de détecter 95% des maladies coronariennes dans leur ensemble de données de test.

Le dépistage par échographie fœtale est universellement approuvé au cours du deuxième trimestre par l’Organisation mondiale de la santé. Le diagnostic des malformations cardiaques fœtales peut améliorer les résultats des nouveau-nés et permettre des recherches supplémentaires sur les thérapies in utero, ont expliqué les chercheurs.

«Le dépistage au deuxième trimestre est un rite de passage pendant la grossesse pour savoir si le fœtus est un garçon ou une fille, mais il est également utilisé pour dépister les anomalies congénitales», a commenté Arnaout, professeur adjoint à l’UCSF et auteur principal de l’article.

Habituellement, l’imagerie comprend cinq vues cardiaques qui pourraient permettre aux cliniciens de diagnostiquer jusqu’à 90 pour cent des cardiopathies congénitales; cependant, dans la pratique, seulement la moitié environ de ceux-ci sont détectés dans des centres non experts.

“D’une part, les malformations cardiaques sont le type de malformation congénitale le plus courant, et il est très important de les diagnostiquer avant la naissance”, a expliqué Arnaout. «D’un autre côté, ils sont encore suffisamment rares pour que leur détection soit difficile, même pour les cliniciens formés, à moins qu’ils ne soient hautement sous-spécialisés. Et trop souvent, dans les cliniques et les hôpitaux du monde entier, la sensibilité et la spécificité peuvent être assez faibles. »

Les chercheurs, dont une cardiologue fœtale et auteure principale Anita Moon-Grady, MD, ont appris aux machines-outils à imiter le travail des cliniciens en trois étapes. Premièrement, ils ont utilisé des réseaux de neurones pour trouver cinq vues du cœur cruciales pour le diagnostic. Ensuite, ils ont utilisé des réseaux de neurones pour déterminer si chacune de ces vues était typique ou non. Ensuite, un troisième algorithme a combiné les résultats des deux premières étapes pour conclure si le cœur fœtal était normal ou anormal.

«Nous espérons que ce travail révolutionnera le dépistage de ces anomalies congénitales», a ajouté Arnaout, membre de l’UCSF Bakar Computational Health Sciences Institute, du UCSF Center for Intelligent Imaging et un chercheur du Chan Zuckerberg Biohub Intercampus Research Award. «Notre objectif est d’aider à ouvrir la voie à l’utilisation de l’apprentissage automatique pour résoudre les problèmes de diagnostic des nombreuses maladies où l’échographie est utilisée pour le dépistage et le diagnostic.»

Imene K