Development and evaluation of automated organ segmentation models for abdominal ultrasound in injured children

Lorsqu'un enfant arrive aux urgences d'un hôpital après une blessure grave, les médecins doivent savoir rapidement s'il y a une hémorragie interne. L'un des moyens les plus rapides pour vérifier est l'échographie au chevet du patient, un examen indolore qui utilise des ondes sonores pour créer des images animées de l'intérieur du corps. Dans les soins de traumatologie, cet examen spécifique est appelé échographie ciblée pour le traumatisme (FAST). Cela consiste à déplacer un appareil portatif sur le ventre de l'enfant pour rechercher la présence de liquide dans les espaces entourant le foie, la rate et la vessie. Bien que cet outil soit vital, la qualité de l'examen dépend entièrement de la compétence de la personne qui tient l'appareil et de la clartité des images capturées. Parfois, les images sont floues ou le médecin manque un endroit, ce qui rend difficile de savoir avec certitude si l'enfant est en sécurité. Pour améliorer cela, les chercheurs apprennent aux ordinateurs à comprendre ces images automatiquement, mais d'abord, l'ordinateur doit apprendre à quoi ressemblent les organes. Cela nécessite d'apprendre à la machine à reconnaître les contours du foie, des reins et d'autres structures, une tâche qui prend habituellement des heures à un expert humain pour chaque image individuelle.

Une équipe de chercheurs de l'Université de Californie à San Francisco s'est donné pour mission de résoudre ce problème en construisant un système informatique capable de trouver et de détourer automatiquement six organes clés dans les scanners abdominaux d'enfants blessés. Ils se sont concentrés sur la vessie, les reins, le foie, la rate, la colonne vertébrale et le diaphragme, le muscle qui aide à la respiration. Ces structures sont les repères que les médecins utilisent pour décider si un examen est complet et précis. L'équipe a rassemblé une collection de 200 séquences vidéo d'échographie provenant d'enfants ayant été traités pour des blessures dans un centre de traumatologie majeur. Ils ont ensuite demandé à des médecins experts de dessiner soigneusement les contours de chaque organe sur des milliers d'images individuelles de ces vidéos, créant ainsi un ensemble d'exemples de « vérité terrain » (ground truth) dont l'ordinateur pourrait apprendre. En utilisant ces exemples, les chercheurs ont entraîné quatre types différents de modèles d'intelligence artificielle pour accomplir la même tâche. Ces modèles allaient de conceptions simples et établies à des systèmes plus récents et plus complexes qui utilisent des techniques mathématiques avancées pour prêter attention à différentes parties d'une image à la fois.

Les chercheurs ont testé la capacité de chaque modèle informatique à deviner les contours corrects par rapport aux dessins des experts humains. Ils ont constaté que les ordinateurs étaient très doués pour cette tâche, en particulier pour les reins et la vessie, où les formes sont distinctes et faciles à voir. En moyenne, les contours générés par l'ordinateur correspondaient aux contours des experts humains avec un degré de chevauchement élevé. Un modèle spécifique, qui combinait une conception standard avec une méthode plus récente pour focaliser l'attention sur les détails importants, a été le plus performant globalement. Il a identifié le foie, la rate et les reins avec une précision remarquable, et ce, très rapidement, en traitant une seule image en moins d'une seconde. Le système a eu un peu plus de mal avec le diaphragme et la colonne vertébrale, qui sont plus fins et plus difficiles à voir clairement sur les images échographiques, mais même pour ces parties difficiles, l'ordinateur a produit des résultats utiles.

Pour voir si cette technologie fonctionnerait dans le monde réel, l'équipe a pris le modèle le plus performant et lui a présenté des séquences d'échographie qu'il n'avait jamais vues auparavant, incluant des scanners provenant à la fois d'enfants et d'adultes. Quatre experts indépendants ont examiné le travail de l'ordinateur, vérifiant si les contours apparaissaient au bon endroit et si la qualité de l'image était suffisante pour qu'un médecin puisse lui faire confiance. Les experts ont constaté que l'ordinateur localisait avec succès les organes dans la grande majorité des séquences, avec des taux de réussite allant d'environ trois quarts à la quasi-totalité des cas, selon l'organe. Le système était particulièrement fiable pour la vessie et le foie, où il a obtenu des scores proches de la perfection dans le groupe d'adultes et des scores très élevés chez les enfants. Les chercheurs ont noté que lorsque l'ordinateur échouait, c'était généralement parce que l'image originale était trop floue ou mal prise, plutôt que parce que l'ordinateur était confus. Cela suggère que la technologie est suffisamment robuste pour gérer la réalité désordonnée et imprévisible des examens en salle d'urgence.

L'étude a également révélé que des modèles informatiques plus volumineux et plus complexes n'étaient pas nécessairement meilleurs. Le modèle le plus avancé, qui avait été entraîné sur une vaste base de données de 280 000 images d'échographie provenant d'autres personnes, n'a pas été significativement plus performant que le modèle plus simple et construit sur mesure. En fait, le modèle plus simple était plus rapide et nécessitait moins de puissance de calcul, ce qui le rend plus pratique pour une utilisation dans un hôpital chargé. Cette découverte suggère que pour cette tâche spécifique, la manière dont le modèle est conçu importe plus que la quantité de données sur lesquelles il a été pré-entraîné. Les chercheurs ont conclu que ce système automatisé représente une étape importante. En permettant aux ordinateurs d'effectuer le travail fastidieux de détourage des organes, les médecins et les chercheurs peuvent construire des ensembles de données plus vastes et de meilleure qualité pour entraîner de futurs outils qui pourraient un jour détecter automatiquement les saignements ou indiquer à un médecin si un examen est techniquement limité. Bien que le système ne soit pas encore prêt à remplacer le jugement humain, il offre une nouvelle façon puissante de standardiser et d'améliorer la qualité des soins prodigués aux enfants blessés.