Imaginez un monde où un médecin pourrait regarder un enfant marcher dans un couloir et savoir instantanément si ses muscles bougent correctement, ou si quelque chose de subtil ne va pas. Ce n'est pas de la magie ; c'est l'intersection de la vision par ordinateur (apprendre aux ordinateurs à « voir » et à comprendre les images) et de la pédiatrie (les soins médicaux aux enfants). Pendant longtemps, les médecins se sont appuyés sur leurs propres yeux pour repérer de minuscules différences dans la façon dont un enfant marche, un processus appelé analyse de la marche. Bien que cela fonctionne bien pour les médecins expérimentés, il est difficile d'apprendre à un ordinateur à faire de même car les enfants ne sont pas simplement des « petits adultes ». Leurs corps sont encore en pleine croissance, leurs mouvements sont instables et imprévisibles, et ils ne marchent pas avec le rythme parfait d'un adulte. Cela rend extrêmement difficile pour une IA standard, qui est généralement entraînée sur la marche régulière d'adultes, de repérer les indices infimes qui signalent un problème de santé.

C'est l'histoire du 1er AI Children Challenge, une compétition à enjeux élevés où des informaticiens et des médecins se sont associés pour résoudre ce casse-tête. L'article décrit comment ils ont construit une nouvelle et immense « bibliothèque » de données vidéo présentant des milliers d'enfants qui marchent, allant des tout-petits aux adolescents. Ils ont mis au défi les meilleures équipes d'IA du monde de construire des modèles capables d'agir comme des médecins experts, en analysant ces vidéos pour repérer des schémas de marche spécifiques associés à la paralysie cérébrale, une affection qui affecte le mouvement musculaire. L'objectif n'était pas seulement de dire « cet enfant marche bizarrement », mais de noter précisément comment il marche et de classifier le type spécifique de difficulté qu'il présente, le tout à partir d'une simple vidéo. L'article révèle que, bien que ce soit un travail difficile, ce nouvel ensemble de données et la compétition ont suscité des solutions très ingénieuses qui nous rapprochent d'une aide aux médecins pour diagnostiquer les enfants plus rapidement et plus précisément.

Le grand défi : apprendre à l'IA à regarder les enfants marcher

Les auteurs de cet article voulaient combler un fossé entre ce que les médecins humains peuvent voir et ce que les ordinateurs peuvent comprendre. Ils ont réalisé que les outils d'IA existants sont comme des étudiants qui n'ont étudié que des manuels pour adultes ; ils échouent lorsqu'ils essaient d'analyser un enfant car les enfants bougent différemment. Pour corrifier cela, l'équipe a créé l'ensemble de données Children Gait Pose Sequence (CGPS). Considérez cet ensemble de données comme un manuel de formation géant et ultra-détaillé pour l'IA. Il contient plus de 1 100 vidéos d'enfants qui marchent, enregistrées à 60 images par seconde (ce qui revient à prendre 60 clichés chaque seconde). Ces vidéos capturent 110 patients différents, âgés de 2,6 à 16,6 ans, marchant devant des caméras installées pour les voir de profil et de face.

Mais une vidéo seule ne suffit pas. La véritable magie de cet ensemble de données réside dans les « annotations » — les étiquettes qui disent à l'IA ce qu'elle doit chercher. Des experts humains, y compris des médecins ayant des décennies d'expérience, ont parcouru ces vidéos et ont marqué des points spécifiques sur le corps des enfants (comme les genoux, les hanches et les chevilles) pour créer un squelette de mouvement. Ils ont ensuite évalué 34 détails infimes de la marche, tels que « la hauteur du soulèvement du talon » ou « l'amplitude de la flexion du genou ». Ils ont également identifié quatre façons spécifiques dont les enfants atteints d'un type de paralysie cérébrale appelé « paralysie cérébrale spastique bilatérale » pourraient marcher, en leur donnant des noms comme « Jump Gait » (où l'enfant semble bondir) ou « Crouch Gait » (où l'enfant marche avec les genoux fléchis).

Les deux volets de la compétition

Le défi a été divisé en deux missions distinctes, ou « volets », pour les participants.

Volet 1 : Le scoreur
La première mission consistait à agir comme un arbitre strict. L'IA devait observer la marche d'un enfant et attribuer un score à 34 parties différentes de son mouvement. Cela est basé sur un outil clinique appelé Edinburgh Visual Gait Score (EVGS). Imaginez un enseignant corrigeant l'écriture d'un élève ; l'IA devait décider si un mouvement spécifique était « normal » ou « atypique ». L'article note que cela est complexe car les différences sont souvent très minimes. L'équipe devait prédire si le soulèvement du talon d'un enfant était normal ou non, ou si son genou se pliait trop. L'objectif était de se rapprocher le plus possible du score qu'un vrai médecin noterait.

Volet 2 : Le détective
La seconde mission était un jeu de classification. Ici, l'IA devait observer un enfant atteint de paralysie cérébrale spastique bilatérale et déterminer à lequel des quatre schémas de marche spécifiques il appartenait. C'est comme regarder un groupe de personnes et essayer de deviner laquelle porte un chapeau rouge, laquelle porte un chapeau bleu, et ainsi de suite, mais les « chapeaux » sont des styles de marche invisibles. L'IA devait repérer les différences pathologiques subtiles qui séparent une marche de type « True Equinus » d'une marche de type « Jump Gait ». C'était particulièrement difficile car l'ensemble de données contenait très peu d'exemples de certains de ces schémas rares, ce qui pouvait facilement confondre l'IA.

Comment ils ont mesuré le succès

Les organisateurs ne se sont pas contentés de laisser les équipes deviner ; ils ont mis en place un terrain de test rigoureux. Ils ont divisé les données afin que l'IA puisse apprendre sur certaines vidéos et être testée sur d'autres qu'elle n'avait jamais vues auparavant. Pour s'assurer que les résultats étaient équitables, ils ont utilisé deux méthodes principales pour noter les équipes :

1. Précision : À quelle fréquence l'IA donnait-elle la bonne réponse ?
2. Mesure de l'erreur : Pour le volet du scoring, ils ont mesuré l'écart entre le score de l'IA et celui du médecin.

Ils ont également introduit une phase d'« évaluation post-compétition ». Après la fin de la compétition, les meilleures équipes ont dû partager leur code. Les organisateurs ont ensuite exécuté le code eux-mêmes sur un ordinateur standard pour vérifier les résultats. Cela visait à garantir qu'aucun résultat d'équipe n'était dû au hasard ou à un coup de chance.

Les résultats : Ce que l'IA a découvert

La compétition a attiré 57 équipes du monde entier. Les résultats ont montré que, bien que l'IA ne mime pas encore parfaitement un médecin humain, elle a fait des progrès significatifs.

• Pour le volet Scoring (Volet 1) : L'équipe gagnante, CCE, a utilisé un mélange astucieux de modèles d'IA pré-entraînés (qui sont comme des bases de connaissances générales) et de règles spécifiques conçues par des médecins. Elle a réussi à prédire les scores avec une grande précision. Une autre équipe de tête, Btaji Crew, s'est concentrée sur l'extraction de détails « biomécaniques » spécifiques, comme l'angle exact d'une articulation, avant de faire sa supposition. L'article suggère que la meilleure approche n'était pas seulement d'utiliser un seul grand modèle d'IA, mais de combiner différentes méthodes — comme une approche « hybride » où l'apprentissage automatique travaille aux côtés de règles médicales strictes.
• Pour le volet Classification (Volet 2) : L'équipe gagnante, seantangth, a utilisé une méthode appelée XGBoost (un type puissant d'algorithme de prise de décision) mais l'a adaptée pour suivre des règles médicales spécifiques concernant la relation entre la jambe gauche et la jambe droite. Ils ont découvert que laisser l'IA deviner ne suffisait pas ; il fallait la contraindre à respecter la symétrie du corps humain.

L'article souligne que toutes les équipes de tête ont utilisé des stratégies pour gérer le fait qu'il y avait très peu d'exemples des schémas de marche rares. Elles ont utilisé des techniques telles que les « signaux inter-volets » (cross-track signals), où l'IA utilisait les résultats du volet scoring pour l'aider à faire de meilleures suppositions dans le volet classification. C'est comme utiliser le score d'un test de mathématiques pour aider à deviner la réponse à une question d'histoire parce que les deux matières sont liées.

Ce que cela signifie pour l'avenir

L'article conclut que ce défi a été une étape majeure. Il a prouvé qu'avec les bonnes données et les bons conseils de la part des médecins, l'IA peut commencer à comprendre la façon complexe, désordonnée et merveilleuse dont les enfants bougent. Les auteurs suggèrent que les travaux futurs devraient se concentrer sur l'amélioration de ces modèles pour mieux gérer différents types de caméras et différentes formes de corps. Ils notent également que la prochaine grande étape est de voir si ces outils peuvent aider les médecins à diagnostiquer les enfants plus rapidement dans les hôpitaux.

Cependant, l'article prend soin de ne pas prétendre que le problème est « résolu ». Les résultats montrent que si l'IA devient performante, elle éprouve encore des difficultés avec les cas les plus subtils et les plus rares. Les auteurs insistent sur le fait que la véritable valeur de ce défi n'est pas seulement les algorithmes gagnants, mais la création d'un ensemble de données partagé et d'une communauté de chercheurs travaillant ensemble pour améliorer les soins de santé pédiatriques. La compétition a montré que lorsque la vision par ordinateur rencontre l'expertise médicale, nous pouvons commencer à construire des outils qui aident chaque enfant à marcher un peu plus facilement.