Analyse radiomique des images échographiques de début de grossesse pour prédire la viabilité en fin de premier trimestre

Pourquoi des réponses précoces en grossesse sont importantes

Pour de nombreuses femmes, les premières semaines de grossesse mêlent espoir et anxiété. Lorsque l’échographie précoce ne permet pas encore de déterminer clairement si une grossesse se poursuivra ou s’achèvera par une fausse couche, les cliniciens parlent de « grossesse de viabilité inconnue ». Cette période d’attente — souvent d’une à deux semaines avant un nouvel examen — peut être éprouvante sur le plan émotionnel. L’étude résumée ici explore si des motifs subtils, dissimulés dans des images échographiques de routine et combinés à des informations cliniques simples, peuvent aider à prédire plus tôt et avec plus de précision l’issue finale.

Aller au‑delà de ce que l’œil perçoit

L’évaluation échographique traditionnelle repose sur ce que les cliniciens peuvent mesurer et voir directement : la taille et la forme du sac gestationnel, la présence d’un sac vitellin ou d’un embryon minuscule, et la visibilité d’un battement cardiaque. Des travaux antérieurs ont utilisé de telles caractéristiques pour construire des systèmes de score, mais leur précision est limitée et dépend souvent de la complétude des données. Dans ce nouvel ouvrage, les chercheurs ont cherché à savoir si des ordinateurs pouvaient détecter des détails beaucoup plus fins dans les images échographiques — des détails trop subtils pour l’œil humain — en utilisant une approche appelée radiomique. La radiomique transforme les images en milliers de caractéristiques numériques décrivant la texture, les motifs de luminosité et la structure à petite échelle, capturant potentiellement des signes précoces d’une implantation saine ou défaillante.

Construire une chaîne automatisée de traitement d’images

L’équipe a rassemblé des examens échographiques de 500 femmes consultant des unités de grossesse précoce dans deux hôpitaux londoniens entre 2021 et 2023. Toutes avaient reçu le diagnostic de grossesse de viabilité inconnue, et leur issue finale — grossesse en cours ou fausse couche en fin de premier trimestre — a été enregistrée par la suite. Pour préparer les images à l’analyse, les chercheurs ont d’abord entraîné un modèle d’apprentissage profond à identifier deux régions clés sur chaque cliché : le sac gestationnel lui‑même et un fin anneau de tissu utérin périphérique. En utilisant une architecture de réseau neuronal conçue pour l’imagerie médicale, le système a appris à tracer ces régions avec une grande précision, reproduisant de près les contours tracés manuellement par des experts. Cette étape automatisée de « segmentation » est cruciale car elle permet de traiter de futurs examens sans mobiliser le temps supplémentaire des cliniciens spécialistes.

Transformer des motifs en prédictions

Une fois les régions identifiées, un logiciel de radiomique a extrait plus de quatre mille caractéristiques quantitatives à partir des images échographiques. Parallèlement, l’équipe a collecté des informations cliniques simples déjà consignées en soins de routine — comme l’âge de la femme, le nombre de semaines de grossesse calculé d’après les dernières règles, et l’importance des saignements et douleurs rapportés. Parce que ces variables n’ont pas toutes la même utilité, les chercheurs ont testé un large éventail de méthodes de sélection de caractéristiques et d’algorithmes d’apprentissage automatique pour identifier la meilleure combinaison. Leur modèle final, appelé Pregnancy of Unknown Viability Prediction Score (PUVPS), s’appuyait sur une technique connue sous le nom de XGBoost et sur des caractéristiques radiomiques et cliniques choisies avec soin. Lors des tests, le modèle a distingué les grossesses évolutives des fausses couches avec de bonnes performances, y compris sur des données provenant d’un hôpital externe non utilisé pour l’entraînement du système.

Ce que le modèle utilise réellement

Parmi les prédicteurs les plus influents figurent des facteurs cliniques bien connus : l’âge gestationnel estimé d’après les dernières règles, la sévérité des saignements vaginaux et l’âge maternel. Mais plusieurs mesures radiomiques de texture extraites du sac et du tissu environnant ont également été fortement pondérées. Celles‑ci rendent compte de l’uniformité ou de la granularité des intensités de pixels et de la répartition des zones lumineuses, ce qui peut refléter la qualité de formation du placenta précoce et des tissus de soutien. Fait intéressant, ces caractéristiques radiomiques semblaient aussi évoluer avec l’âge gestationnel, laissant penser qu’elles suivent des changements biologiques réels dans le développement précoce de la grossesse plutôt que du simple bruit aléatoire.

Ce que cela pourrait signifier pour les patientes

L’étude présente des limites, principalement la taille d’échantillon modeste, qui peut rendre un modèle d’apprentissage automatique excessivement optimiste tant qu’il n’est pas testé sur des cohortes beaucoup plus larges et diversifiées. Néanmoins, les résultats suggèrent qu’il pourrait être possible de fournir aux femmes confrontées à une grossesse de viabilité inconnue une estimation personnalisée du risque fondée uniquement sur l’échographie qu’elles subissent déjà, sans analyses sanguines ou procédures supplémentaires. À l’avenir, si l’outil est validé dans de larges essais multicentriques, un dispositif comme PUVPS pourrait fonctionner en arrière‑plan dans la clinique d’échographie, analyser les images en temps réel et fournir une probabilité de grossesse évolutive. Plutôt que de remplacer les échographies de suivi standard, il pourrait aider les patientes et les cliniciens à se préparer émotionnellement et pratiquement pendant une période d’attente très incertaine.

Citation: Murugesu, S., Linton-Reid, K., Barcroft, J. et al. Radiomics analysis of early pregnancy ultrasound images to predict viability at the end of first trimester. Sci Rep 16, 5504 (2026). https://doi.org/10.1038/s41598-026-35158-5

Mots-clés: début de grossesse, risque de fausse couche, échographie, radiomique, apprentissage automatique en médecine