Que va changer l'intelligence artificielle en gynécologie-obstétrique ?

Si l'intelligence artificielle (IA) en médecine fait le buzz ces dernières années, il est parfois difficile de s'y retrouver, et de savoir quels sont les avancées et les bénéfices réels ou potentiels pour le médecin et le patient. L'IA est un domaine de recherche en pleine expansion promis à un grand avenir. Ses applications médicales, notamment en gynécologie-obstétrique, pourraient permettre d'améliorer la qualité des soins.

Comprendre l'intelligence artificielle

L'IA est née dans les années 1 950 avec l'objectif de faire produire des tâches humaines par des machines mimant l'activité du cerveau. Ce champ de recherche mobilise et concerne de nombreuses disciplines, de l'informatique aux sciences cognitives en passant par les mathématiques et les sciences médicales.

L'IA s'appuie globalement sur 2 approches :

• l'approche la plus ancienne s'appuie sur l'idée que nous raisonnons en appliquant des règles logiques (déduction, classification, hiérarchisation…). Cette approche, dite symbolique, a permis le développement d'outils capables de reproduire les mécanismes cognitifs d'un expert. L'objectif peut être, par exemple, non pas de remplacer le médecin, mais de l'aider dans un raisonnement fondé sur des connaissances médicales de sa spécialité. La principale difficulté de cette approche symbolique est la modélisation des connaissances qui nécessite un travail approfondi avec des spécialistes du domaine concerné ;
  

• la seconde approche, dite numérique, raisonne sur les données. Le système cherche des régularités et des répétitions dans les données disponibles (qui doivent être nombreuses), issues du passé, pour extraire des connaissances, sans modèle préétabli. Cette méthode se développe de plus en plus aujourd'hui grâce notamment aux big data (ensemble massif de données). Les algorithmes d'apprentissage profond (deep learning), par exemple, sont représentatifs de cette approche, et s'inspirent d'une certaine manière du fonctionnement cérébral : ils simulent un réseau de neurones organisés en différentes couches, échangeant les uns avec les autres. La force de cette approche est que l'algorithme apprend la tâche qui lui a été assignée par “essais et erreurs”, avant de pouvoir se débrouiller seul. Des applications de deep learning existent déjà, par exemple en traitement d'images pour repérer de possibles mélanomes sur les photos de peau [1, 2], ou pour dépister des rétinopathies diabétiques sur des images de rétine [3]. Les difficultés de développement de ces systèmes sont qu'ils nécessitent de très nombreuses données.
  

L'IA en médecine est en plein essor, avec une augmentation croissante du nombre de publications sur le sujet ces dernières années (figure).

De nombreux projets de recherche sont en cours pour analyser et améliorer les performances de ces systèmes, mais aussi leur adéquation aux pratiques médicales visées. Le versant économique de tels systèmes doit également être analysé, et leur coût justifié par un réel bénéfice pour le médecin et/ou le patient.

Où en est-on en gynécologie-obstétrique ?

L'objectif ici est de présenter un état des lieux de l'utilisation et du développement de l'IA dans le domaine particulier de la gynécologie-obstétrique, et d'en comprendre les enjeux pour l'avenir de notre profession.

Obstétrique et médecine fœtale

Un premier exemple de l'utilisation de l'IA en gynécologie-obstétrique est son application dans l'évaluation du rythme cardiaque fœtal (RCF) au cours du travail. Malgré des décennies de progrès et d'évolution, cette surveillance se heurte toujours à des incohérences et à des différences entre centres et entre obstétriciens. L'interprétation du RCF reste en d'autres termes sujette à une subjectivité certaine. L'utilisation de l'IA pourrait permettre une évaluation plus cohérente, et une aide en termes de prédiction des risques fœtaux, voire une réduction potentielle de la morbidité périnatale et maternelle. Cela pourrait également avoir un impact sur la réduction des risques de litige et le fardeau économique des soins de santé, en particulier dans les pays en développement [4, 5].

Pour l'instant, peu d'études se sont penchées sur le sujet, mais certains résultats montrent que l'utilisation d'algorithmes automatisés permet de classer avec une sensibilité et une spécificité respectives de 72 et 78 % des enregistrements de RCF comme normaux ou anormaux [6]. Dans une autre étude plus récente de 2017, P. Fergus et al. trouvaient même des scores de sensibilité et de spécificité supérieurs, 94 et 91 % respectivement [7]. Bien sûr, ces résultats restent à prendre avec précaution, et nécessitent d'autres études plus nombreuses et plus poussées.

Toujours en obstétrique, un autre travail s'est intéressé à l'évaluation de l'intérêt de l'IA et du deep learning pour prédire des issues de grossesse en cas de col raccourci asymptomatique au cours de la grossesse. Plusieurs facteurs ont été analysés, avec des résultats en faveur d'une bonne prédiction grâce à l'algorithme d'IA [8] même si les données analysées ne concernaient qu'un petit groupe de patientes (n = 32) et comprenaient notamment des analyses de liquide amniotique, imposant donc la réalisation d'un geste invasif.

Aide médicale à la procréation

Proposer un modèle d'IA de prévision de la fécondation in vitro (FIV) pour aider les cliniciens à adapter le traitement personnalisé aux couples hypofertiles et ainsi améliorer les résultats de la procréation médicalement assistée (PMA) est un projet qui a été analysé par quelques équipes [9-13]. Ces études, de schémas divers, montrent que dans le domaine de l'aide médicale à la procréation, l'IA peut probablement avoir une place de choix du fait de nombreuses données démographiques et médicales facilement disponibles, permettant l'analyse de grandes quantités d'informations de manière rapide et automatisée, afin de fournir à chaque couple une indication objective pour obtenir le meilleur résultat théorique [9, 10, 13]. En 1997, S.J. Kaufmann et al. ont, par exemple, développé un modèle prédictif de probabilité de réussite de la FIV en utilisant seulement 4 types de données (âge, nombre d'ovocytes récupérés, nombre d'embryons transférés et congélation ou non des embryons) [10], et la prédiction des résultats était juste dans 59 % des cas. De même, dans ce domaine, les algorithmes d'IA semblent être utiles en termes d'analyse de la qualité ovocytaire et embryonnaire [11, 12].

De nombreuses images d'embryons obtenues en time-lapse et leur analyse ont également été utilisées dans l'aide médicale à la procréation afin d'obtenir de grands ensembles de données. Plusieurs études ont présenté des résultats intéressants à partir de ce type de données : l'une d'entre elles retrouve une précision globale de 83 % dans la prédiction d'une naissance vivante en analysant 386 images time-lapse de blastocystes [14]. Une autre a examiné 50 392 images de 10 148 embryons et a réussi à obtenir une précision de 97,53 % dans la distinction entre un blastocyste de bonne et un de mauvaise qualité [15]. D'autres études ont utilisé les données de prétraitement de cycles connus pour prédire le succès du 1^er cycle, et les résultats avaient une précision de 81 % [16]. On voit donc ici que les bases de données des services de PMA sont des mines d'or qui permettent des accès facilités à des big data, ce qui laisse présager le développement d'autres algorithmes de deep learning dans ce domaine.

Gynéco-oncologie et gynécologie médicale

Plusieurs défis ont également été relevés en onco-gynécologie, domaine où l'on sait que des tumeurs malignes non diagnostiquées précocement ont un plus mauvais pronostic et nécessitent des traitements plus lourds. K.M. Elias et al. [17] ont étudié en 2017 l'intérêt d'analyser les miARN circulants pour permettre le diagnostic précoce de néoplasies épithéliales de l'ovaire en utilisant un algorithme regroupant des données de bases issues de 454 patientes avec des diagnostics variés. Ils ont mis en évidence la validation de l'utilisation de ce modèle avec une valeur prédictive positive de 91,3 % (IC₉₅ : 73,3-97,6 %), et négative de 78,6 % (IC₉₅ : 64,2-88,2 %), ce qui surpasse, par exemple, l'utilisation du marqueur CA-125, et ce quels que soient l'âge de la patiente, son histologie ou même le stade de la pathologie néoplasique.

Concernant l'évaluation pronostique, une étude a analysé divers modèles permettant de prédire la survie à 5 ans chez les patientes qui ont subi un traitement radical chirurgical pour une néoplasie du col [18]. Dans ce travail, B. Obrzut et al. ont analysé les données de 102 patientes atteintes d'une néoplasie du col de stade IA2-IIB, ayant bénéficié d'un traitement chirurgical premier, et ont étudié 23 types de données par patiente (caractéristiques démographiques, tumorales, et anamnèse périopératoire). Plusieurs types de modèles prédictifs ont été analysés et testés, et les résultats montrent qu'avec les algorithmes les plus adaptés on retrouve des taux prédictifs de bonne qualité (fiabilité de 0,892 et sensibilité de 0,975).

Dans le même état d'esprit, M. Kyrgiou et al. [19] ont développé un score de décision clinique utilisant un système d'IA pour les femmes atteintes d'une néoplasie intraépithéliale cervicale (CIN). Ils ont utilisé des données de biomarqueurs liés au papillomavirus humain (HPV) (ARNm E6 et E7, et p16INK4A) ainsi que les résultats colposcopiques de 2 267 femmes. L'utilisation de l'IA avait une sensibilité et une spécificité de 93,0 et 99,2 %, respectivement, pour la prédiction de tumeurs CIN2 [16], ce qui pourrait permettre une amélioration des soins [19]. Toujours en gynécologie médicale, G. Bogani et al. ont analysé, en 2018, la probabilité de prédiction du risque de persistance ou de récurrence de la dysplasie cervicale. Ils ont donc utilisé les données de plus de 5 000 patientes. Les résultats montrent que certains génotypes d'HPV sont associés à un risque accru de dysplasie cervicale persistante et/ou de récidive après traitement. Ces données pourraient être utiles pour conseiller les patientes, ainsi que pour mettre en œuvre et développer de nouveaux programmes de vaccination [20].

Toujours en colposcopie, plusieurs études ont analysé l'intérêt d'algorithmes d'IA pour la reconnaissance et l'analyse d'images issues d'examens colposcopiques [21-23], puisque ceux-ci sont des sources de big data simples d'accès. Par exemple, P.W. Simões, en 2014, retrouve des résultats avec une fiabilité de 72,15 %, une sensibilité de 69,78 %, et une spécificité de 68,0 % [23]. Ces données et les précisions d'analyse méritent, bien sûr, d'être confirmées par des études de plus grande ampleur mais les résultats sont prometteurs.

Dans la pathologie du sein, de nombreux algorithmes d'IA ont également été développés, notamment pour l'analyse automatisée d'images [24, 25], mais aussi pour l'évaluation pronostique [26] et l'aide à la décision thérapeutique [27, 28].

Chirurgie gynécologique

L'utilisation des procédures d'IA en chirurgie gynécologique n'est encore que très anecdotique, puisque les quelques travaux publiés sur le sujet ne portent que sur la détection automatique de la présence ou de l'absence de certaines structures anatomiques dans une image laparo­scopique, et la reconnaissance du geste chirurgical en cours [29, 30]. Il est pourtant évident que les procédures utilisant l'IA, le deep learning et la réalité augmentée feront partie du futur de tout chirurgien gynécologue, avec le développement de systèmes d'aide à la chirurgie guidée par l'image, tel celui développé par notre équipe pour les chirurgies cœlioscopiques de type myomectomie et adéno­myomectomie [31-34].

Concernant plus spécifiquement l'intérêt du deep learning, dans notre équipe nous avons analysé plus de 400 images issues d'interventions chirurgicales cœlioscopiques gynécologiques (S. Madad-Zadeh et  al., 2019, étude préliminaire en cours de publication) et nous avons obtenu des résultats satisfaisants puisque la fiabilité de la segmentation est de 84,5 % pour l'utérus, 29,6 % pour les ovaires et 54,5 % pour les instruments chirurgicaux. Concernant la détection automatique des structures, la fiabilité est de 97 % pour l'utérus, 24 % pour les ovaires et 86 % pour les instruments chirurgicaux, ce qui signifie que ces algorithmes permettent à des logiciels de reconnaître de façon fiable différentes structures anatomiques sur des images cœlioscopiques standard. Une base de données d'images cœlioscopiques gynécologiques encore plus importante est en cours de constitution et d'analyse.

Ces résultats sont donc prometteurs, et de nombreuses pistes de recherche s'offrent aux chirurgiens gynécologues sur ces sujets, car la reconnaissance des organes nobles au cours des interventions chirurgicales pourrait être d'une grande aide dans des chirurgies complexes, notamment pour des chirurgiens novices, pour lesquels la localisation précise de l'uretère ou d'autres structures anatomiques, vasculaires notamment, serait bénéfique. Dans le domaine médicoéconomique, l'IA en chirurgie pourrait également s'avérer intéressante : A.P. Twinanda et al. ont travaillé sur un algorithme permettant de prédire la durée d'une intervention chirurgicale en se basant simplement sur l'analyse des premières minutes de l'intervention cœlioscopique [35]. Ce type de données pourrait permettre de préciser et d'ajuster toujours davantage l'organisation au bloc opératoire (appel automatique de la patiente suivante au moment opportun, optimisation du moment de l'administration des antalgiques, aide à l'instrumentation, etc.).

Imagerie

Enfin, dans le domaine de l'imagerie, appliquée ou non à la gynécologie-obstétrique, l'utilisation de l'IA est également en plein essor, avec de nombreuses études récentes [36]. Nous ne retiendrons ici que celle de P. Maurice et al. de 2017 [37], qui a analysé l'utilisation d'un système d'aide à la décision à partir de l'examen d'échographies pour le diagnostic de grossesse extra-utérine (GEU). Le système est basé sur un modèle qui analyse les relations entre les signes des différents types de GEU, les structures anatomiques et les éléments techniques. Ce système permet au médecin de sélectionner un type de GEU suspecté et de se voir proposer les signes pertinents à rechercher et les images de référence associées. En échographie obstétricale et médecine fœtale, l'utilisation de l'IA se développe, avec une nécessaire intégration de ces nouveaux outils dans la pratique médicale quotidienne [38].

Endométriose

Un dernier point sur le domaine spécifique de l'endométriose où des travaux nous sembleraient également possibles, car il n'existe pas actuellement d'étude à partir de big data. Une fédération et une association de plusieurs centres pourraient permettre la constitution de bases de données d'images chirurgicales de grande ampleur, avec le développement de systèmes de deep learning. Ceux-ci pourraient apporter une véritable aide à la reconnaissance d'images d'endométriose notamment, afin de pouvoir guider le chirurgien qui visualiserait mieux les limites des lésions, par exemple.

Conclusion

L'IA est un sujet d'actualité et son application dans plusieurs spécialités a suscité de grandes attentes et a fait l'objet de nombreuses publications. L'IA semble être un outil prometteur en gynécologie-­obstétrique et pour relever des défis de longue date, pour apporter une aide au médecin, à la fois dans la réflexion et la prise de décision, mais également dans la réalisation même d'actes techniques.

Récemment, les données de santé de nombreux patients, notamment américains et chinois, ont été rachetées et vont ainsi fournir des base de données médicales toujours plus importantes [39, 40]. L'utilisation de ces données pourrait avoir de nombreux intérêts (travaux épidémiologiques, identification de facteurs de risque de pathologies, aide au diagnostic, etc.), mais soulève de nombreux problèmes techniques et humains (quel mode de stockage et quels modes d'exploitation des données ?) et pose aussi de nombreuses questions éthiques.

Les gynécologues-obstétriciens français vont devoir à l'avenir s'impliquer dans le développement et la réalisation de ces outils, afin de permettre une validation effective de leur intérêt et de leur efficacité. Cet investissement sera indispensable si les médecins de demain veulent pouvoir rester décideurs de leur environnement de travail, et de leurs outils diagnostiques. Utiliser à bon escient une IA adaptée à chaque situation pour tout patient pourrait permettre aussi de libérer le médecin de certaines tâches qui nécessitent peu de valeur humaine, ce qui laisserait plus de temps dédié pour la relation de soin. Les outils devront s'adapter aux besoins et aux pratiques, à la fois des médecins et des patients, afin que, via leur association aux compétences humaines, nous puissions proposer à chaque patiente une médecine personnalisée et une prise en charge globale.■