L’intelligence artificielle (IA) est un domaine de recherche en plein développement qui offre de larges perspectives. Ses applications médicales, notamment en gynécologie et en obstétrique, pourraient améliorer la prise en charge des patientes et la qualité des soins.
L’IA est née dans les années 1950 ; son objectif est d’accomplir des tâches humaines grâce à des machines qui imitent l’activité cérébrale. Elle repose sur deux grands principes :
− La méthode la plus ancienne, dite symbolique, permet de développer des outils capables de reproduire les mécanismes cognitifs des experts. La principale difficulté de cette méthode est la modélisation des connaissances, qui nécessite une coopération approfondie avec des experts dans des domaines précis.
− La deuxième méthode est dite numérique. Ce mode de fonctionnement recherche une régularité et une répétabilité dans les données disponibles, qui doivent donc être nombreuses, afin d’extraire des connaissances.
Obstétrique
En obstétrique, le premier exemple d’utilisation de l’IA est son application dans l’évaluation du rythme cardiaque fœtal (RCF) pendant l’accouchement : malgré des décennies de progrès, cette surveillance garde une part de subjectivité. À l’heure actuelle, peu d’études existent, mais certains résultats indiquent que l’utilisation d’algorithmes automatisés pourrait classer des RCF correctement avec une sensibilité de 72 % à 94 %, et une spécificité de 78 % à 91 % (1,2).
PMA
Dans le domaine de la procréation médicalement assistée, de nombreux travaux impliquant l’IA existent, notamment concernant des algorithmes prédictifs des résultats de fécondation in vitro (FIV), et cela afin d’aider les cliniciens à adapter au mieux la prise en charge au couple (3–7). Il existe également des travaux utilisant les nombreuses images disponibles avec des résultats intéressants (analyse d’images de blastocystes et prédiction des naissances vivantes (8), image d’embryon et classification (9) etc.…).
Colposcopie
De la même manière, le deep learning existe également en colposcopie, par la reconnaissance et l’analyse d’images, car il s’agit là d’une source simple d’obtention de données nombreuses, les big data (10–12).
Oncologie
En gynéco-oncologie, des algorithmes d’IA se développent dans le domaine de l’aide au diagnostic (10), et également au niveau de l’évaluation pronostique, pour le développement de modèles prédictifs (13). Dans le même sens, concernant la pathologie mammaire, de nombreux algorithmes d’IA ont été développés (analyse d’image automatique, évaluation du pronostic et aident à la décision thérapeutique).
Chirurgie
En chirurgie gynécologique, les quelques études sur le sujet n’explorent pour l’instant que la détection automatique de certains organes, ou l’identification des procédures chirurgicales en cours (14,15), mais l’utilisation de l’IA, et notamment la réalité augmentée va se développer de plus en plus, comme en témoignent les travaux réalisés par notre équipe (16–18). Le deep learning dans ce domaine se développe aussi, car les images de chirurgie cœlioscopiques peuvent constituer des bases facilement accessibles de big data (19).
Endométriose
Le dernier point qui nous semble intéressant concerne l’endométriose : il n’y a pour l’instant pas d’étude, mais la collaboration de plusieurs centres pourrait permettre la mise en place de big data d’images chirurgicales, et le développement de systèmes de deep learning, pouvant devenir une véritable aide à l’identification des images peropératoires.
* Département de chirurgie gynécologique, CHU Estaing, Clermont-Ferrand ** EnCoV, IP, UMR 6602 CNRS, Univ. Clermont-Auvergne, Clermont-Ferrand (1) Les références complètes sont disponibles sur la version web de cet article : https://bit.ly/2C9sMuT (1) Spilka J, Georgoulas G, Karvelis P, Chudáček V, Stylios CD, Lhotská L. Discriminating Normal from “Abnormal” Pregnancy Cases Using an Automated FHR Evaluation Method. In: Likas A, Blekas K, Kalles D, editors. Artificial Intelligence: Methods and Applications [Internet]. Cham: Springer International Publishing; 2014 [cited 2019 Dec 5]. p. 521–31. Available from: http://link.springer.com/10.1007/978-3-319-07064-3_45 (2) Fergus P, Hussain A, Al-Jumeily D, Huang D-S, Bouguila N. Classification of caesarean section and normal vaginal deliveries using foetal heart rate signals and advanced machine learning algorithms. Biomed Eng OnLine [Internet]. 2017 Dec [cited 2019 Dec 2];16(1). Available from: http://biomedical-engineering-online.biomedcentral.com/articles/10.1186… (3) Siristatidis C, Vogiatzi P, Pouliakis A, Trivella M, Papantoniou N, Bettocchi S. Predicting IVF Outcome: A Proposed Web-based System Using Artificial Intelligence. Vivo Athens Greece. 2016 Aug;30(4):507–12. (4) Kaufmann SJ, Eastaugh JL, Snowden S, Smye SW, Sharma V. The application of neural networks in predicting the outcome of in- vitro fertilization. Hum Reprod. 1997 Jul 1;12(7):1454–7. (5) Manna C, Nanni L, Lumini A, Pappalardo S. Artificial intelligence techniques for embryo and oocyte classification. Reprod Biomed Online. 2013 Jan;26(1):42–9. (6) Filho ES, Noble JA, Poli M, Griffiths T, Emerson G, Wells D. A method for semi-automatic grading of human blastocyst microscope images. Hum Reprod. 2012 Sep;27(9):2641–8 (7) Blank C, Wildeboer RR, DeCroo I, Tilleman K, Weyers B, de Sutter P, et al. Prediction of implantation after blastocyst transfer in in vitro fertilization: a machine-learning perspective. Fertil Steril. 2019 Feb;111(2):318–26. (8) Zaninovic N, Rocha CJ, Zhan Q, Toschi M, Malmsten J, Nogueira M, et al. Application of artificial intelligence technology to increase the efficacy of embryo selection and prediction of live birth using human blastocysts cultured in a time-lapse incubator. Fertil Steril. 2018 Sep;110(4):e372–3. (9) Zaninovic N, Khosravi P, Hajirasouliha I, Malmsten JE, Kazemi E, Zhan Q, et al. Assessing human blastocyst quality using artificial intelligence (AI) convolutional neural network (CNN). Fertil Steril. 2018 Sep;110(4):e89. (10) Elias KM, Fendler W, Stawiski K, Fiascone SJ, Vitonis AF, Berkowitz RS, et al. Diagnostic potential for a serum miRNA neural network for detection of ovarian cancer. eLife [Internet]. 2017 Oct 31 [cited 2019 Dec 12];6. Available from: https://elifesciences.org/articles/28932 (11) Miyagi Y, Takehara K, Miyake T. Application of deep learning to the classification of uterine cervical squamous epithelial lesion from colposcopy images. Mol Clin Oncol [Internet]. 2019 Oct 4 [cited 2019 Dec 5]; Available from: http://www.spandidos-publications.com/10.3892/mco.2019.1932 (12) Simões PW, Izumi NB, Casagrande RS, Venson R, Veronezi CD, Moretti GP, et al. Classification of Images Acquired with Colposcopy Using Artificial Neural Networks. Cancer Inform. 2014 Jan;13:CIN.S17948. (13) Obrzut B, Kusy M, Semczuk A, Obrzut M, Kluska J. Prediction of 5–year overall survival in cervical cancer patients treated with radical hysterectomy using computational intelligence methods. BMC Cancer [Internet]. 2017 Dec [cited 2019 Dec 5];17(1). Available from: https://bmccancer.biomedcentral.com/articles/10.1186/s12885-017-3806-3 (14) Leibetseder A, Petscharnig S, Primus MJ, Kietz S, Münzer B, Schoeffmann K, et al. Lapgyn4: a dataset for 4 automatic content analysis problems in the domain of laparoscopic gynecology. In: Proceedings of the 9th ACM Multimedia Systems Conference on - MMSys ‘18 [Internet]. Amsterdam, Netherlands: ACM Press; 2018 [cited 2019 Dec 5]. p. 357–62. Available from: http://dl.acm.org/citation.cfm?doid=3204949.3208127 (15) Petscharnig S, Schöffmann K. Learning laparoscopic video shot classification for gynecological surgery. Multimed Tools Appl. 2018 Apr;77(7):8061–79. (16) Bourdel N, Collins T, Pizarro D, Bartoli A, Da Ines D, Perreira B, et al. Augmented reality in gynecologic surgery: evaluation of potential benefits for myomectomy in an experimental uterine model. Surg Endosc. 2017 Jan;31(1):456–61 (17) Bourdel N, Collins T, Pizarro D, Debize C, Grémeau A, Bartoli A, et al. Use of augmented reality in laparoscopic gynecology to visualize myomas. Fertil Steril. 2017 Mar;107(3):737–9 (18) Chauvet P, Collins T, Debize C, Novais-Gameiro L, Pereira B, Bartoli A, et al. Augmented reality in a tumor resection model. Surg Endosc. 2018 Mar;32(3):1192–201 (19) Madad Zadeh S, Francois T, Calvet L, Chauvet P, Canis M, Bartoli A, et al. SurgAI: deep learning for computerized laparoscopic image understanding in gynaecology. Surg Endosc [Internet]. 2020 Jan 29 [cited 2020 May 2]; Available from: http://link.springer.com/10.1007/s00464-019-07330-8
CCAM technique : des trous dans la raquette des revalorisations
Dr Patrick Gasser (Avenir Spé) : « Mon but n’est pas de m’opposer à mes collègues médecins généralistes »
Congrès de la SNFMI 2024 : la médecine interne à la loupe
La nouvelle convention médicale publiée au Journal officiel, le G à 30 euros le 22 décembre 2024