📄 infectious diseases

SchistoTrackNet: machine learning for diagnosis of schistosomiasis-associated periportal fibrosis from ultrasound images

Cet article présente SchistoTrackNet, le premier modèle d'apprentissage profond capable de diagnostiquer automatiquement les différents degrés de sévérité de la fibrose périportale associée à la schistosomiase à partir d'images échographiques, offrant ainsi une solution évolutive pour la surveillance à grande échelle dans les milieux à faibles ressources afin de soutenir les efforts mondiaux d'élimination.

Auteurs originaux : Ockenden, E. S., Anguajibi, V., Mpooya, S., Ntegeka, B., Mugume, T., Nabatte, B., Kabatereine, N. B., Noble, A., Chami, G. F.

Publié 2026-06-02

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ockenden, E. S., Anguajibi, V., Mpooya, S., Ntegeka, B., Mugume, T., Nabatte, B., Kabatereine, N. B., Noble, A., Chami, G. F.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

La vue d'ensemble : Un nouvel « œil intelligent » pour un tueur silencieux

Imaginez un parasite appelé « douve du sang » qui vit dans l'eau de l'Afrique rurale. Lorsque les gens boivent ou se baignent dans cette eau, le parasite pénètre en eux. Avec le temps, ces parasites pondent des œufs qui restent coincés dans le foie, provoant des cicatrices et un durcissement de celui-ci. Cette cicatrisation est appelée fibrose.

Pendant longtemps, les médecins ont eu du mal à voir l'ampleur de cette cicatrisation. Ils utilisent des appareils d'échographie (qui prennent des images de l'intérieur du corps à l'aide d'ondes sonores), mais lire ces images revient à essayer de lire une carte dans l'obscurité. Cela nécessite des années de formation et, même ainsi, deux médecins différents peuvent regarder la même image et ne pas être d'accord sur ce qu'ils voient.

Ce document présente SchistoTrackNet, un nouveau programme informatique (une IA) qui agit comme un « super-lecteur » pour ces images d'échographie. Son rôle est d'examiner les images et de dire automatiquement aux médecins la sévérité exacte de la cicatrisation du foie, de légère à sévère.

Le problème : La « carte » était difficile à lire

Les médecins utilisent actuellement un ensemble de règles appelé le Protocole de Niamey pour diagnostiquer la cicatrisation du foie. Considérez ce protocole comme un livre de coloriage avec des motifs spécifiques :

Motif B : Un peu de poussière ou des lignes ténues (cela pourrait même ne pas être le parasite).
Motif C : Des anneaux ou des tuyaux autour des vaisseaux sanguins (cicatrisation légère).
Motif D : Un épaississement autour du tuyau principal (cicatrisation modérée).
Motif E/F : De gros tuyaux obstrués atteignant le bord du foie (cicatrisation sévère).

Le problème est que ces motifs se ressemblent beaucoup. Un médecin peut regarder une image et se demander : « Est-ce un anneau (C) ou un tuyau épais (D) ? ». Parce que les images sont difficiles à interpréter, les médecins ont souvent besoin d'un second expert pour vérifier leur travail. Mais dans les zones rurales et pauvres, il n'y a pas assez d'experts pour effectuer cette vérification.

La solution : Apprendre à un ordinateur à voir

Les chercheurs ont rassemblé 1 533 images d'échographie provenant de personnes de l'Ouganda rural. Ils ont utilisé ces images pour entraîner un cerveau informatique (un modèle d'apprentissage profond) à reconnaître les différents motifs.

Ils ont testé cinq types de cerveaux informatiques différents :

SchistoTrackNet : Celui-ci était spécial. Avant d'apprendre la cicatrisation du foie, il avait déjà été entraîné sur des images de fœtus (provenant d'un autre ensemble de données). C'est comme embaucher un mécanicien qui sait déjà comment fonctionnent les moteurs, puis lui enseigner spécifiquement votre voiture.
SchistoTrackNet-Random : Même conception, mais sans connaissance préalable (comme un mécanicien qui vient tout juste de terminer ses études).
Trois modèles « Transformer » : Ce sont des types d'IA plus récents qui regardent l'image entière d'un coup, plutôt que morceau par morceau.

Les résultats : L'ordinateur contre l'humain

Les chercheurs ont testé ces cerveaux informatiques sur de nouvelles images qu'ils n'avaient jamais vues auparavant. Voici ce qui s'est passé :

Le vainqueur : SchistoTrackNet a été le meilleur. Il a donné le bon diagnostic environ 82 % du temps.
La comparaison : Les chercheurs ont également demandé à un second médecin humain d'examiner les images après que le premier médecin les eut prises (sans savoir ce que le premier médecin avait dit).
- Les deux médecins humains n'étaient d'accord entre eux que 54 % du temps.
- L'ordinateur (SchistoTrackNet) était d'accord avec le premier médecin 77 % du temps.

L'analogie : Imaginez deux personnes essayant d'identifier différents types de nuages sur une photo. Elles se disputent souvent pour savoir s'il s'agit d'un « cumulus » ou d'un « stratus ». L'ordinateur, cependant, regarde la photo et dit : « C'est certainement un cumulus », et il est en accord avec la première personne bien plus souvent que la seconde personne ne l'est.

Ce que l'ordinateur a raté (et réussi)

L'ordinateur était très bon pour repérer les foies sains et les cicatrices sévères. Cependant, il s'est parfois confondu entre des motifs qui se ressemblent, spécifiquement :

Le motif B (lignes ténues) vs le motif C2 (anneaux).
Le motif E/F (obstruction sévère) vs le motif C2.

Le document note que cette confusion se produit parce que ces motifs apparaissent souvent sous le même « angle » ou la même vue du foie. C'est comme essayer de faire la différence entre une balle rouge et une pomme rouge quand elles sont toutes deux situées au même endroit ; l'ordinateur (et l'humain) est confus par l'angle, pas seulement par l'objet.

Pourquoi cela importe (selon le document)

Le document affirme que c'est la première fois qu'un ordinateur est conçu pour distinguer automatiquement ces types spécifiques de cicatrisation du foie causés par ce parasite.

C'est un « second lecteur » : L'ordinateur peut agir comme une seconde paire d'yeux pour aider à confirmer un diagnostic, ce qui est crucial car les médecins humains sont souvent en désaccord.
Il gère la vie réelle : L'ordinateur a bien fonctionné même lorsque les patients n'avaient pas jeûné (ce qui crée des gaz dans l'estomac qui bloquent la vue), avaient des foies gras ou étaient enceintes. Il n'a pas été perturbé par ces facteurs supplémentaires.
Il n'est pas encore parfait : Le document admet que l'ordinateur nécessite plus de tests sur des données provenant d'autres pays et avec des appareils d'échographie moins coûteux avant de pouvoir être utilisé dans des cliniques réelles.

Résumé

Considérez SchistoTrackNet comme un nouvel assistant hautement qualifié pour les médecins de l'Afrique rurale. Il regarde les images d'échographie des foies et dit : « Il y a une cicatrisation légère » ou « Il y a une cicatrisation sévère ». Il fait moins d'erreurs qu'un second médecin humain essayant de deviner à partir d'une photo seule. Bien qu'il ait encore besoin de pratique, il offre une voie prometteuse pour aider les médecins à diagnostiquer une maladie dangereuse qui est actuellement difficile à détecter.

Résumé technique de SchistoTrackNet

Énoncé du problème
La fibrose hépatique est une cause majeure de mortalité et d'invalidité dans les pays à revenu faible et intermédiaire (PRFI), la schistosomiase intestinale (spécifiquement Schistosoma mansoni) étant une cause historiquement sous-estimée en Afrique subsaharienne. Bien que l'Organisation mondiale de la Santé (OMS) vise l'élimination de la schistosomiase en tant que problème de santé publique d'ici 2030, les directives actuelles s'appuient sur l'intensité de l'infection comme indicateur de la morbidité, malgré les preuves montrant qu'il n'existe aucune corrélation entre les niveaux d'infection actuels et la fibrose hépatique. Le diagnostic de la fibrose périportale (FPP) associée à la schistosomiase repose sur le protocole de Niamey, qui utilise l'imagerie échographique en mode B. Cependant, ce protocole nécessite une expertise approfondie et une exposition à divers types de schémas de fibrose, des ressources souvent absentes dans les régions endémiques. De plus, il existe une lacune critique dans les outils automatisés et cliniquement validés pour le diagnostic différentiel de la sévérité de la FPP. Les applications existantes de l'apprentissage profond dans ce domaine sont limitées, peu d'études utilisant des seconds lecteurs pour valider les diagnostics, et aucun modèle connu n'est capable de distinguer les différents schémas de sévérité de la FPP schistosomatique.

Méthodologie
L'étude a utilisé les données de l'étude de cohorte SchistoTrack, impliquant 1 533 participants (âgés de 5 à 84 ans) provenant de trois districts ruraux en Ouganda (Pakwach, Buliisa et Mayuge). Les images échographiques ont été acquises à l'aide de systèmes Philips Lumify avec des transducteurs courbes C5-2. L'ensemble de données comprenait 3 710 images curatées de schémas de fibrose hépatique et 400 images de participants sains (dérivées de balayages vidéo de 100 individus sains, car des images statiques n'avaient pas été capturées pour les foies sains).

Les chercheurs ont développé et évalué cinq modèles d'apprentissage profond pour un problème de classification à 6 classes (Sain, B, C1, C2, D, et E/F) :

SchistoTrackNet : Un réseau de neurones convolutifs (CNN) utilisant un encodeur PULSENet (pré-entraîné sur l'anatomie échographique fœtale) initialisé par une perte de contraste supervisée (SupCon).
SchistoTrackNet-Random : Un CNN avec la même architecture que SchistoTrackNet, mais avec une initialisation de poids aléatoire.
ViT-SupCon, ViT-Focal, ViT-CE : Trois modèles de Vision Transformer (ViT) initialisés avec des poids ImageNet, entraînés avec les pertes SupCon, Focal et Cross-Entropy, respectivement.

Les modèles ont été entraînés en utilisant une validation croisée à 10 plis (stratifiée par participant) et évalués sur un ensemble de test distinct. La performance a été évaluée via l'exactitude, l'exactitude équilibrée, le score F1, la sensibilité, la spécificité et le $\kappa$ de Cohen. Les modèles ont été comparés à un « second échographiste » qui a relu les images en aveugle (sans le contexte du patient) pour simuler un scénario de validation. De plus, les techniques GRAD-CAM et d'attention rollout ont été utilisées pour visualiser l'activation et l'interprétabilité du modèle.

Résultats clés

Performance des modèles : SchistoTrackNet a obtenu la meilleure performance parmi tous les modèles sur l'ensemble de test, avec une exactitude de 0,8222, une exactitude équilibrée de 0,8121 et un score F1 de 0,8223. L'analyse statistique (test $\chi^2$ de Friedman) a indiqué des différences significatives de performance entre les modèles, SchistoTrackNet surpassant ViT-Focal et ViT-CE en termes de score F1.
Comparaison avec les lecteurs humains : SchistoTrackNet a démontré un accord plus élevé avec l'échographiste de terrain ( $\kappa$ de Cohen = 0,772) que le second échographiste avec l'échographiste de terrain ( $\kappa$ = 0,54). Le modèle a classé correctement plus d'images que ce sur quoi le second échographiste était d'accord pour la plupart des schémas.
Spécificité des schémas : Le modèle a montré une sensibilité élevée pour le schéma D (91,4 %) et des valeurs prédictives positives (VPP) élevées pour les schémas B, C1 et D. Cependant, une confusion persistait entre les schémas partageant des vues transversales similaires (B, C2 et E/F), reflétant la confusion observée chez les lecteurs humains.
Robustesse : Les facteurs liés au patient (âge, sexe, état de jeûne, grossesse et comorbidités telles que l'hépatite B ou la stéatose hépatique) n'ont eu que peu ou pas d'effet significatif sur les taux d'erreur des modèles, suggérant que les modèles sont robustes aux variations cliniques courantes.
Interprétabilité : Les cartes d'activation (GRAD-CAM) ont indiqué que le modèle se concentrait sur des caractéristiques anatomiques pertinentes, telles que la veine porte principale pour les schémas D, bien qu'une certaine activation se soit produite dans des zones d'interférence gazeuse ou au niveau du diaphragme.

Signification et revendications
Les auteurs affirment présenter les premiers modèles basés sur l'apprentissage profond capables de classification différentielle entièrement automatisée des schémas de fibrose périportale schistosomatique. L'étude démontre que ces modèles peuvent être comparables, voire supérieurs sur certains paramètres, à des échographistes experts agissant comme seconds lecteurs, malgré l'absence des informations contextuelles (antécédents du patient, position de la sonde) disponibles lors de l'examen initial.

L'article pose comme postulat que ces outils ont le potentiel de permettre la lecture automatisée des images échographiques, facilitant ainsi la surveillance à grande échelle de la morbidité liée à la schistosomiase. Cette capacité est présentée comme une étape nécessaire pour atteindre les objectifs de l'OMS concernant l'élimination de la schistosomiase en tant que problème de santé publique d'ici 2030. Les auteurs suggèrent que les modèles pourraient servir de point de départ à des outils destinés à soutenir le renforcement des capacités dans les milieux à ressources limitées et contribuer à la mise à jour du protocole de Niamey en fournissant des banques d'images standardisées et des aides à la formation. L'étude reconnaît des limites, notamment l'utilisation de cadres vidéo pour la classe saine, l'utilisation de données provenant d'un seul pays et d'un seul type de machine d'échographie, ainsi que la nécessité d'essais cliniques supplémentaires pour évaluer l'impact sur les résultats des patients.