Utilisation de l’intelligence artificielle pour identifier l’anatomie chirurgicale lors d’une néphrectomie donatrice laparoscopique – étude de validation et de faisabilité

Une technologie plus intelligente pour un don à forts enjeux

La néphrectomie donatrice laparoscopique est l’intervention peu invasive pratiquée lorsqu’une personne en bonne santé fait don d’un rein — un geste altruiste où toute erreur chirurgicale est particulièrement difficile à accepter. Cette étude examine comment l’intelligence artificielle (IA) peut aider les chirurgiens à mieux repérer les structures vitales pendant cette intervention délicate, dans le but de réduire les risques pour les donneurs et d’améliorer la formation des chirurgiens futurs.

Pourquoi la chirurgie du rein donneur exige une attention particulière

Les donneurs de rein vivants sont souvent des personnes en parfaite santé qui choisissent l’opération uniquement pour aider quelqu’un d’autre. Si les techniques laparoscopiques ont déjà rendu le don plus sûr et accéléré la récupération, l’intervention reste réalisée dans un espace confiné, au voisinage d’artères, de veines et de l’uretère qu’il ne faut pas endommager. Les chirurgiens s’appuient aujourd’hui sur leurs yeux et leur expérience pour reconnaître ces structures sur un écran vidéo. Un « copilote » IA capable d’indiquer de façon fiable l’anatomie clé en temps réel pourrait contribuer à éviter des erreurs, notamment pour les praticiens moins expérimentés ou dans des cas difficiles.

Apprendre à un ordinateur à voir à l’intérieur du corps

L’équipe de recherche s’est associée à une entreprise de technologie médicale pour concevoir un système de vision par ordinateur capable de reconnaître les structures importantes lors d’une chirurgie de don du rein gauche. Ils ont recueilli des enregistrements vidéo issus de 30 interventions et se sont concentrés sur des instants où la graisse environnante avait déjà été dégagée, rendant visibles le rein, la rate, les vaisseaux principaux et l’uretère. Ils ont extrait des milliers d’images fixes de ces séquences. Chaque image a été soigneusement annotée pixel par pixel par un anatomiste, puis vérifiée par un chirurgien transplantologue expérimenté. Ces images annotées ont servi de « clés de réponse » pour former l’IA. Le système s’appuie sur un modèle d’apprentissage profond moderne initialement conçu pour détecter rapidement des objets dans des images, puis adapté pour délimiter organes et vaisseaux sur chaque image chirurgicale.

Comment le système a été entraîné et testé

Les chercheurs ont utilisé 6 828 images étiquetées provenant de 16 opérations pour apprendre au système, et ont mis de côté 1 757 images issues de quatre autres interventions pour tester ses performances. Ils ont délibérément accordé un poids supplémentaire aux structures les plus critiques — l’artère rénale, la veine rénale et l’uretère — afin que le modèle leur prête une attention particulière. Pendant l’entraînement, le programme comparait à plusieurs reprises ses prédictions aux annotations d’experts, s’ajustant pour réduire les erreurs. La question centrale était de savoir si, lorsqu’on lui présentait une nouvelle image, l’IA pouvait correctement mettre en évidence la rate, le rein, les gros vaisseaux et l’uretère sans les manquer ni confondre les différentes structures.

Performances du copilote IA

Lors des tests, le système IA a montré une précision encourageante. Il était particulièrement performant pour repérer la rate et les principaux vaisseaux alimentant le rein. Pour le rein gauche, l’artère rénale et la veine rénale, le système a atteint un bon compromis entre l’étiquetage erroné de tissus de fond et l’omission des structures recherchées. Ces résultats atteignent des seuils communément acceptés pour la détection en temps réel en chirurgie. L’uretère — un tube fin qui draine l’urine du rein — s’est avéré plus difficile à détecter, probablement parce qu’il est étroit, mobile, de couleur similaire aux tissus environnants et peu représenté dans les images d’entraînement. Au‑delà des tests statiques, l’équipe a également expérimenté le système en direct au bloc opératoire et sur des vidéos provenant d’un autre hôpital dans un pays différent. L’IA a continué d’identifier l’anatomie clé et a même détecté un schéma inhabituel d’artères doubles, suggérant qu’elle peut se généraliser au‑delà du centre d’entraînement initial.

Ce que cela pourrait signifier pour les chirurgiens et les patients

Bien que le système ne soit pas encore prêt à servir d’outil de navigation temps réel complet, ce travail constitue une étape importante. Pouvoir délimiter de façon fiable l’anatomie cruciale ouvre la voie à plusieurs applications : guidage à l’écran pendant les phases délicates de l’intervention, étiquetage automatique des vidéos pédagogiques pour les stagiaires et moyens plus objectifs d’évaluer la performance chirurgicale. Les améliorations à venir nécessiteront des données plus diversifiées provenant de plusieurs hôpitaux, une meilleure prise en charge des structures difficiles comme l’uretère et une mesure formelle de la rapidité et de la constance de l’IA image par image. Néanmoins, le message central est clair pour le grand public : l’IA peut déjà « voir » une grande partie de ce qu’un chirurgien entraîné voit, et, avec des affinements supplémentaires, des systèmes de ce type pourraient rendre le don de rein encore plus sûr.

Citation: Ong, C.S.H., Wong, H.P.N., Leung, M. et al. Utilising artificial intelligence to identify surgical anatomy during laparoscopic donor nephrectomy – a validation and feasibility study. Sci Rep 16, 7416 (2026). https://doi.org/10.1038/s41598-026-35999-0

Mots-clés: don de rein, chirurgie laparoscopique, intelligence artificielle chirurgicale, vision par ordinateur en médecine, sécurité de la transplantation d’organes