Évaluer la maturité des poumons du fœtus : une révolution grâce à l’intelligence artificielle ?
Comment savoir si les poumons d’un bébé à naître sont prêts pour la vie en dehors du ventre de sa mère ? Cette question est cruciale, surtout pour les bébés qui naissent prématurément ou dans des conditions particulières comme le diabète gestationnel ou la pré-éclampsie. Aujourd’hui, une nouvelle méthode basée sur l’intelligence artificielle pourrait changer la donne.
Pourquoi la maturité des poumons fœtaux est-elle si importante ?
Les poumons sont l’un des derniers organes à se développer chez le fœtus. Si un bébé naît trop tôt, ses poumons peuvent ne pas être prêts à fonctionner correctement. Cela peut entraîner des problèmes respiratoires graves, voire mortels. Actuellement, pour évaluer la maturité des poumons, les médecins doivent souvent recourir à des méthodes invasives comme l’amniocentèse, qui consiste à prélever du liquide amniotique. Cette procédure n’est pas sans risques pour la mère et le bébé.
Une solution non invasive grâce à l’intelligence artificielle
Une étude récente propose une nouvelle approche basée sur l’apprentissage profond (deep learning), une branche de l’intelligence artificielle. Cette méthode utilise des images échographiques des poumons du fœtus pour déterminer leur maturité en fonction de l’âge gestationnel (le nombre de semaines de grossesse). L’objectif est de créer un modèle capable de classer ces images en différentes catégories d’âge gestationnel, ce qui permettrait d’évaluer la maturité des poumons sans recourir à des procédures invasives.
Comment fonctionne ce modèle ?
Les chercheurs ont utilisé un ensemble de 7013 images échographiques provenant de 1023 grossesses normales, sans complications affectant le développement des poumons du fœtus. Ces images ont été classées en trois groupes selon l’âge gestationnel : 20 à 29 semaines, 30 à 36 semaines, et 37 à 41 semaines. Pour entraîner le modèle, ils ont utilisé une architecture de réseau de neurones appelée DenseNet, spécialement conçue pour l’analyse d’images.
Avant de soumettre les images au modèle, elles ont été prétraitées pour éliminer les informations inutiles, comme les paramètres de l’appareil d’échographie. Le modèle a ensuite été entraîné à reconnaître les caractéristiques spécifiques des poumons fœtaux à différents stades de la grossesse. Pour éviter que le modèle ne « mémorise » les images plutôt que d’apprendre à les classer, les chercheurs ont utilisé des techniques d’augmentation de données, comme la rotation et le recadrage des images.
Des résultats prometteurs
Le modèle a montré une grande précision dans la classification des images. Par exemple, il a correctement identifié 91,7 % des images du groupe 20 à 29 semaines, 69,8 % du groupe 30 à 36 semaines, et 86,4 % du groupe 37 à 41 semaines. La précision globale du modèle était de 83,8 %. Ces résultats sont supérieurs à ceux obtenus avec des méthodes traditionnelles d’apprentissage automatique, comme les forêts aléatoires ou les machines à vecteurs de support.
Quelles applications pratiques ?
Ce modèle pourrait avoir plusieurs utilisations cliniques. Par exemple, il pourrait aider à identifier des retards de développement des poumons causés par des maladies comme le diabète gestationnel ou la pré-éclampsie. Il pourrait également être utilisé pour évaluer l’efficacité des traitements par corticostéroïdes, souvent administrés pour accélérer la maturation des poumons en cas de risque d’accouchement prématuré.
En outre, ce modèle est robuste aux variations des conditions d’acquisition des images, comme les réglages de profondeur ou de gain de l’échographe. Cela le rend plus fiable pour une utilisation clinique large.
Des limites à prendre en compte
Cependant, cette étude présente certaines limites. Par exemple, les données utilisées proviennent uniquement de grossesses normales. Il faudrait vérifier si le modèle est aussi efficace dans des cas plus complexes, comme les grossesses à risque. De plus, l’étude est rétrospective, ce qui signifie que les images ont été collectées dans le passé, sans contrôle strict des conditions d’acquisition.
Conclusion
Cette étude ouvre la voie à une nouvelle méthode non invasive pour évaluer la maturité des poumons du fœtus. Grâce à l’intelligence artificielle, il est possible de classer les images échographiques avec une grande précision, ce qui pourrait aider les médecins à prendre des décisions plus éclairées sur la gestion des grossesses à risque. Bien que des recherches supplémentaires soient nécessaires, cette approche représente un pas important vers une médecine fœtale plus sûre et plus précise.
For educational purposes only.
doi.org/10.1097/CM9.0000000000001547