Établissement d’un modèle de classification par âge gestationnel du poumon fœtal normal et exploration du potentiel des algorithmes d’apprentissage profond pour l’évaluation de la maturité pulmonaire fœtale
L’évaluation prénatale de la maturité pulmonaire fœtale (MPF) reste un défi majeur en obstétrique. L’immaturité pulmonaire, responsable d’un déficit en surfactant, constitue une cause principale de morbidité (MPN) et de mortalité respiratoires néonatales, notamment chez les prématurés et les nouveau-nés en période de terme précoce. Malgré les progrès en soins néonatals, la MPN demeure une complication fréquente dans ces populations. De plus, les pathologies gestationnelles comme le diabète gestationnel (DG), la pré-éclampsie (PE), l’oligoamnios et le retard de croissance intra-utérin (RCIU) peuvent compromettre le développement pulmonaire fœtal. Une évaluation précise de la MPF est cruciale au troisième trimestre pour guider les décisions cliniques sur l’administration de corticostéroïdes anténatals (CA) et le timing des accouchements programmés. Les méthodes actuelles d’évaluation de la MPF reposent sur des procédures invasives comme l’amniocentèse, associées à des risques de complications. Les alternatives non invasives manquent souvent de précision diagnostique. Cette étude vise à établir un modèle de classification par âge gestationnel (AG) du poumon fœtal normal à l’aide d’algorithmes d’apprentissage profond (AP) et à évaluer leur pertinence pour l’évaluation de la MPF.
Méthodes
L’étude a utilisé un jeu de données de 7 013 images échographiques issues de 1 023 grossesses normales (20 à 41+6 semaines d’AG), sans complications affectant le développement pulmonaire fœtal et aboutissant à des naissances sans pathologie respiratoire. Les images ont été classées en trois groupes selon l’AG : classe I (20–29+6 semaines), classe II (30–36+6 semaines) et classe III (37–41+6 semaines), contenant respectivement 3 323, 2 142 et 1 548 images. Les données, acquises avec huit échographes de six fabricants, garantissaient une diversité représentative.
Une approche basée sur l’AP a été développée pour classer les images selon l’AG. Le processus comprenait trois étapes : prétraitement des images, construction du réseau de classification et validation. Durant le prétraitement, les informations non pertinentes (paramètres techniques) ont été supprimées via une segmentation seuillée pour isoler la région d’intérêt (ROI). Le réseau de classification, basé sur l’architecture DenseNet, intégrait des couches convolutives, de pooling, des blocs denses, des couches de transition et des couches entièrement connectées. L’entraînement a utilisé la perte d’entropie croisée et une descente de gradient stochastique avec momentum. Des techniques d’augmentation (rotation, recadrage, retournement) ont permis de limiter le surapprentissage. Les performances ont été validées par une validation croisée à dix volets, avec calcul de l’exactitude, sensibilité, spécificité et aire sous la courbe ROC (AUC).
Résultats
Le modèle d’AP a montré une haute précision de classification des images selon l’AG. Les sensibilités pour les classes I, II et III sur l’ensemble de test indépendant étaient respectivement de 91,7 %, 69,8 % et 86,4 %, avec des spécificités de 76,8 %, 90,0 % et 83,1 %. L’exactitude globale atteignait 83,8 %. Les AUC pour les classes I, II et III étaient de 0,982, 0,907 et 0,960, avec une AUC micro-moyenne de 0,957 et macro-moyenne de 0,949.
Comparé aux algorithmes classiques (forêts aléatoires (FA), machines à vecteurs de support (SVM), bayésien naïf (BN)), le modèle d’AP a surpassé toutes les méthodes en exactitude, sensibilité, spécificité et AUC. Les scores macroF1 et microF1 pour l’AP étaient de 81,8 % et 83,8 %, contre 51,4 %/52,9 % (BN), 65,8 %/69,3 % (FA) et 71,1 %/73,2 % (SVM).
Discussion
Le modèle établi offre plusieurs applications cliniques : détection des anomalies de développement pulmonaire liées au DG ou à la PE, et évaluation de la maturité post-CA. Son approche non invasive et automatisée, basée sur l’extraction de caractéristiques échographiques subtiles, réduit le recours à l’amniocentèse. Contrairement aux méthodes quantitatives classiques, le modèle montre une robustesse aux variations des paramètres d’acquisition (profondeur, gain), facilitant son utilisation clinique.
Cependant, l’étude présente des limites : son caractère rétrospectif, un jeu de données limité (classes II/III) et l’absence d’évaluation dans les grossesses pathologiques. Des travaux futurs devront inclure des cohortes plus larges et diversifiées.
Conclusion
Ce modèle d’AP permet une classification précise des images échographiques pulmonaires fœtales selon l’AG, ouvrant la voie à une évaluation non invasive de la MPF. Son potentiel pour identifier les retards de maturation et guider les décisions thérapeutiques en fait un outil clinique prometteur. Les performances supérieures de l’AP par rapport aux méthodes conventionnelles soutiennent son adoption en recherche périnatale.
doi.org/10.1097/CM9.0000000000001547