Diagnostic assisté par ordinateur de l'encéphalopathie biliaire aiguë néonatale à l'aide d'IRM multimodales et de réseaux de neurones convolutionnels

Pourquoi cela compte pour les nouveau-nés et leurs familles

L'ictère est fréquent chez les nouveau-nés et est le plus souvent bénin, mais chez certains nourrissons une accumulation d'un pigment jaune appelé bilirubine peut endommager silencieusement le cerveau. Les médecins peinent à déterminer, à partir des seules images et analyses sanguines, quels bébés ictériques sont réellement en danger. Cette étude explore si des outils informatiques avancés peuvent lire les images cérébrales plus précisément que l’œil humain, aidant ainsi les cliniciens à protéger les nourrissons contre des séquelles permanentes tout en évitant des alarmes et des traitements inutiles.

Le danger caché derrière l'ictère néonatal

La plupart des bébés présentent un certain degré d'ictère pendant que leurs foies immatures apprennent à éliminer la bilirubine du sang. Quand les taux de bilirubine deviennent très élevés, le pigment peut s'infiltrer dans des structures profondes et sensibles du cerveau et déclencher une encéphalopathie biliaire aiguë, susceptible d'entraîner à long terme des troubles du mouvement, de l'audition et de l'apprentissage si elle n'est pas traitée à temps. La difficulté tient au fait que les lésions cérébrales précoces peuvent être subtiles et réversibles, et que les scores cliniques et les tests de laboratoire actuels sont imparfaits. L'imagerie par résonance magnétique (IRM) offre une fenêtre non invasive sur le cerveau des nouveau-nés, mais même les spécialistes constatent souvent que les nourrissons atteints et non atteints se ressemblent étonnamment sur les images standard.

Observer le cerveau avec plus d'une paire de lunettes

L'IRM traditionnelle pour ces nourrissons se concentre principalement sur un type d'image, dit pondération T1, où le globus pallidus — une petite région profonde impliquée dans le mouvement — peut apparaître anormalement brillant lorsqu'il est lésé par la bilirubine. Des travaux antérieurs ont montré que se limiter à ces images, même avec des mesures informatiques simples ou des modèles d'apprentissage profond plus anciens, laissait encore beaucoup de place à l'erreur. Les auteurs ont émis l'hypothèse que d'autres « saveurs » d'IRM, comme les images pondérées T2 et les cartes de diffusion qui suivent le mouvement de l'eau dans les tissus, pouvaient contenir des indices supplémentaires. Plutôt que de demander aux médecins de mesurer manuellement des zones spécifiques, ils ont cherché à alimenter la richesse complète de ces trois types d'images dans des algorithmes modernes de reconnaissance d'images.

Apprendre aux ordinateurs à repérer les lésions cérébrales précoces

L'équipe de recherche a collecté des scans cérébraux de 150 nouveau-nés présentant des taux élevés de bilirubine : la moitié montraient des signes d'atteinte cérébrale aiguë et l'autre moitié non. Pour chaque bébé, trois séries d'IRM ont été obtenues — T1, T2 et une carte basée sur la diffusion appelée coefficient de diffusion apparent (ADC). Les images ont d'abord été soigneusement alignées et recadrées pour ne laisser que le cerveau, puis redimensionnées et normalisées en luminosité pour pouvoir être traitées par des logiciels d'analyse d'images standard. Les scientifiques ont testé deux grandes stratégies. L'une reposait sur une méthode classique d'apprentissage automatique appelée machine à vecteurs de support, utilisant de simples rapports de luminosité calculés manuellement entre une structure profonde vulnérable (le globus pallidus) et la substance blanche avoisinante. L'autre utilisait des modèles d'apprentissage profond puissants, InceptionV3 et EfficientNetB0, qui apprennent leurs propres caractéristiques visuelles directement à partir des images brutes.

Mélanger les types de scan donne l'image la plus claire

Lorsque l'équipe a comparé les méthodes, l'approche simple basée sur des mesures manuelles s'est quelque peu améliorée lorsque plusieurs types de scans ont été combinés, mais ses meilleures performances restaient insuffisantes pour une prise de décision clinique confortable. En revanche, les modèles d'apprentissage profond se sont considérablement améliorés à mesure que davantage de types d'IRM étaient fusionnés. En empilant les images T1, T2 et ADC comme trois canaux de couleur d'une photographie, le réseau le plus performant (InceptionV3) a correctement distingué les bébés atteints des non atteints dans plus de 96 % des cas, avec une mesure presque parfaite du pouvoir discriminant global. Les cartes visuelles des régions sur lesquelles le réseau s'appuyait montraient qu'il se concentrait sur les mêmes zones profondes du cerveau — globus pallidus, noyaux sous-thalamiques et hippocampe — que les experts humains considèrent comme les plus vulnérables aux lésions par la bilirubine, ce qui suggère que l'ordinateur apprenait des motifs cliniquement significatifs plutôt que des anomalies aléatoires.

De l'outil de recherche à l'aide au chevet

L'étude conclut qu'un système de diagnostic assisté par ordinateur soigneusement entraîné, alimenté par plusieurs types d'IRM complémentaires plutôt qu'une seule coupe, peut signaler de façon précise une atteinte cérébrale précoce liée à la bilirubine chez les nouveau-nés. Bien que le travail ait été réalisé dans un seul hôpital et qu'il fasse encore face à des obstacles tels que le surapprentissage et la nécessité de tester sur des cohortes plus grandes et plus diverses de nourrissons, il ouvre la voie à un avenir où des algorithmes avancés d'interprétation d'images serviront de second regard pour les pédiatres et les radiologues. Utilisés avec discernement, ces outils pourraient aider à identifier quels nourrissons ictériques nécessitent un traitement urgent — et, tout aussi important, rassurer les familles lorsqu'il est probable que le cerveau du bébé est indemne.

Citation: Wu, M., Liu, Q. Computer-aided diagnosis of neonatal acute bilirubin encephalopathy with multi-modal MRI images and convolutional neural networks. Sci Rep 16, 9611 (2026). https://doi.org/10.1038/s41598-025-33337-4

Mots-clés: ictère néonatal, encéphalopathie biliaire, IRM cérébrale, apprentissage profond, diagnostic assisté par ordinateur