Endométriose : Image augmentée et intelligence artificielle d’un compte rendu opératoire à la chirurgie guidée par l’ordinateur

L’utilisation d’aide à la chirurgie faisant appel aux technologies d’intelligence artificielle (IA) et de réalité augmentée (RA) sont porteurs de nombreuses promesses.

Néanmoins le chemin reste long pour que ces technologies puissent entrer en pratique courante au bloc opératoire. Le principal problème notamment pour les technologies de machine learning (ML) reste la collecte de données.

En chirurgie de l’endométriose la problématique des données est encore plus forte : les données (collecte, recueil, traitement, interprétation) cliniques, chirurgicales (vidéos notamment) ne font pas l’objet de standardisation qui seules permettent la création d’outils basée sur l’IA et la RA. Actuellement la collecte des données cliniques chirurgicales (comme Epithor ou Epicard) dans l’endométriose n’existe pas.

Nous avons proposé des solutions de recueil (Application Noendo) mais qui nécessite des moyens considérables pour être déployées. Il existe d’autres applications digitales mais qui ne sont pas orientées vers le recueil des données chirurgicales.

L’autre type de données chirurgicale dont on dispose est constitué des vidéos de chirurgie. A partir de ces vidéos qu’il faut prétraiter (anonymisation), on peut constituer des bases de données qui vont être annotées et permettre littéralement d’apprendre à l’ordinateur les bases de la chirurgie en commençant par un apprentissage sémiologique.

Cet apprentissage est en fait un challenge majeur (collecte des données, standardisation, interprétation, création d’IA). Seule ces technologies peuvent permettre l’utilisation de la réalité augmentée en chirurgie : il faut améliorer l’autonomie d’interprétation de l’ordinateur pour qu’il puisse afficher en temps réel et au bon endroit (sur les éléments anatomiques à opérer) les données dont a besoin le chirurgien pour améliorer ses performances.

Actuellement on peut afficher en réalité augmentée la structure interne de l’utérus et donc afficher l’adénomyose intra-utérine (diagnostiquée sur l’IRM) mais l’aide à la stadification, le guidage pour trouver le bon plan de dissection sont des fonctionnalités extrêmement difficiles à développer.

C’est l’objectif du projet Européen FEMALE (Machine Learning en Endométriose , H2020, Financé à hauteur de 6M d’euro, dont leader est l’université d’Aarhus).

Toutes ces technologies doivent être basées des données solides (« smart data ») qui en font un enjeu majeur dans le développement des nouvelles technologies de RA et d’IA au bloc opératoire.