The 5000 Babies Project: Early detection of cerebral palsy movement patterns in infants
Cette étude de faisabilité démontre que les techniques de vision par ordinateur appliquées aux données vidéo de nourrissons peuvent prédire efficacement la paralysie cérébrale en atteignant une médiane de l'AUC-ROC de 0,82 grâce à l'analyse de caractéristiques cinématiques dérivées de la pose à l'aide de modèles d'apprentissage profond.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez essayer d'apprendre une nouvelle danse en regardant la vidéo de quelqu'un d'autre en train de la danser. Si vous ne voyez que quelques images floues, vous pourriez manquer le rythme. Mais si vous disposez d'une vidéo claire et stable et d'un ordinateur intelligent capable de suivre chaque pas, chaque mouvement de bras et chaque torsion du corps, vous pourriez commencer à percevoir des motifs que vous ne pourriez pas déceler à l'œil nu. C'est le cœur d'un domaine appelé « vision par ordinateur », où les machines apprennent à « voir » et à comprendre le mouvement tout comme les humains le font. Dans le monde de la médecine, cette technologie est utilisée pour repérer de minuscules indices dans la façon dont les bébés bougent, ce qui pourrait signaler une affection appelée paralysie cérébrale (PC). La PC est un groupe de troubles qui affectent la capacité d'une personne à bouger et à maintenir sa posture, causés par des dommages au cerveau en développement. Actuellement, les médecins doivent souvent attendre que l'enfant ait 18 à 24 mois pour poser un diagnostic ferme, car les mouvements des bébés peuvent être difficiles à interpréter. Mais les scientifiques savent que plus tôt ils peuvent repérer le problème, plus tôt ils peuvent commencer à aider l'enfant, ce qui conduit à de bien meilleurs résultats. La grande question est la suivante : un ordinateur peut-il regarder la vidéo d'un bébé et repérer ces signes avant-coureurs plus rapidement et plus de manière plus fiable qu'un expert humain ?
C'est exactement ce que le « Projet 5000 Bébés » a cherché à tester. Une équipe de chercheurs issus d'hôpitaux et d'entreprises technologiques a rassemblé des séquences vidéo de 930 nourrissons, âgés de zéro à six mois. Ils n'ont pas seulement regardé les vidéos ; ils les ont injectées dans un programme informatique conçu pour agir comme un traqueur de squelette numérique. Ce programme, utilisant une technologie standard, a cartographié 12 points clés sur le corps de chaque bébé — comme les poignets, les coudes, les épaules, les hanches, les genoux et les chevilles — créant une représentation de bonhomme allumettes en mouvement de chaque minuscule mouvement. L'objectif était de voir si l'ordinateur pouvait apprendre la différence entre les gigotements « typiques » d'un bébé en bonne santé et les modèles de mouvement « atypiques » qui pourraient mener à un diagnostic de paralysie cérébrale plus tard dans la vie.
Les chercheurs ont traité cela comme une session d'entraînement massive pour un étudiant en IA. Ils ont fait analyser des milliers de cadres de vidéo à l'ordinateur, cherchant des « caractéristiques cinématiques » spécifiques, ce qui est juste une façon sophistiquée de dire « mesures de mouvement ». Ils ont testé différentes façons de mesurer ces mouvements : l'ordinateur faisait-il mieux en observant la distance entre la main d'un bébé et son épaule ? Ou en vérifiant si le côté gauche du corps bougeait différemment du côté droit ? Ils ont également testé deux types de clips vidéo : des clips « saillants », qui sont des segments de 90 secondes soigneusement choisis par des experts humains pour montrer le bébé bougeant clairement et calmement, et des clips « non saillants », qui sont de simples morceaux aléatoires de la vidéo pouvant inclure le bébé en train de pleurer ou d'être distrait.
Les résultats étaient un mélange de possibilités passionnantes et de leçons importantes. L'ordinateur a appris que les indices les plus utiles ne concernaient pas le mouvement d'une seule articulation de manière isolée, mais plutôt la distance entre deux articulations. C'était comme réaliser que pour comprendre une danse, on ne regarde pas seulement le pied ; on regarde comment le pied se rapporte au genou et à la hanche. Plus précisément, l'ordinateur a découvert que le suivi de la distance entre les articulations du même côté du corps (comme le poignet gauche par rapport à la cheville gauche) était le moyen le plus puissant de repérer les modèles associés à la paralysie cérébrale. Lorsque l'ordinateur a été entraîné sur les clips « saillants » — ceux que les humains ont choisis comme les meilleurs exemples — il a obtenu de très bons résultats, atteignant un score (appelé ROC-AUC) de 0,82. Cela signifie qu'il pouvait distinguer les cas typiques des cas atypiques avec un haut degré de précision, identifiant correctement environ 81 % des bébés qui recevraient plus tard un diagnostic de PC et écartant correctement environ 71 % de ceux qui n'en auraient pas.
Cependant, l'étude a également invalidé certaines idées. L'ordinateur a eu des difficultés lorsqu'il essayait d'apprendre à partir des clips « non saillants » ; ses performances ont chuté de manière significative, suggérant que le simple fait de nourrir une machine avec des vidéos aléatoires ne suffit pas. Il a également constaté qu'observer une seule articulation à la fois, ou se concentrer trop sur la torsion du torse du bébé, ne fournissait pas assez d'informations pour faire une bonne prédiction. En fait, certains modèles qui reposaient uniquement sur l'angle de rotation du bébé étaient si désireux de trouver un problème qu'ils signalaient presque tous les bébés comme ayant une PC, entraînant de nombreuses fausses alertes.
En fin de compte, cette étude suggère que l'utilisation de la vision par ordinateur pour analyser les mouvements des bébés est une voie prometteuse. Elle montre qu'une machine peut apprendre à voir les différences subtiles dans la façon dont un bébé bouge, surtout lorsqu'elle se concentre sur la relation entre les différentes parties du corps et lorsqu'elle est alimentée par des données vidéo de haute qualité sélectionnées par des experts. Bien que cela ne soit pas un remède miracle ou un produit fini prêt pour chaque cabinet médical, cela prouve que le concept fonctionne. Les chercheurs ont découvert qu'avec les bonnes données et la bonne façon de mesurer le mouvement, les ordinateurs peuvent devenir des partenaires puissants pour repérer la paralysie cérébrale plus tôt, aidant potentiellement plus de bébés à obtenir le soutien dont ils ont besoin pour s'épanouir.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.