Modèle d'apprentissage profond pour l’identification de la maladie osseuse métabolique de la prématurité à partir de radiographies du poignet

Aider les os fragiles des nouveau-nés

Les très grands prématurés sont confrontés à de nombreux risques de santé cachés, et l’un des plus graves est la faiblesse osseuse due à une mauvaise minéralisation, pouvant entraîner des fractures sans beaucoup d’avertissement. Les médecins s’appuient souvent sur des radiographies du poignet pour détecter des signes précoces, mais ces indices peuvent être discrets et facilement manqués, notamment dans des hôpitaux surchargés ou dépourvus de spécialistes. Cette étude présente un programme informatique fondé sur l’apprentissage profond qui lit les radiographies du poignet des nourrissons prématurés et aide les médecins à repérer les problèmes osseux plus tôt et plus précisément, ce qui pourrait prévenir des fractures douloureuses et des complications à long terme.

Pourquoi les petits os nécessitent une attention particulière

La maladie osseuse métabolique de la prématurité est une affection dans laquelle les os des bébés très petits et nés très tôt ne se minéralisent pas correctement. Comme ces nourrissons manquent les dernières semaines de grossesse, période pendant laquelle une grande partie du calcium et du phosphore de l’organisme est déposée dans les os, ils sont particulièrement vulnérables. Le risque est maximal chez les bébés nés avant 28 semaines ou pesant moins de 1 500 grammes, et il culmine entre quatre et huit semaines après la naissance. Les analyses sanguines peuvent suggérer un problème, mais les médecins confirment généralement leurs soupçons par des radiographies du poignet montrant des modifications subtiles à l’extrémité croissante du radius. Malheureusement, ces changements peuvent n’apparaître que lorsque la perte osseuse est déjà avancée, et même alors ils restent difficiles à reconnaître pour les non-spécialistes.

Apprendre à un ordinateur à lire les radiographies du poignet

Pour aborder ce problème, des chercheurs en Corée du Sud ont rassemblé une large collection de radiographies du poignet provenant de plus d’un millier de nourrissons de très faible poids de naissance traités dans deux grands hôpitaux. Des spécialistes expérimentés ont soigneusement examiné 2 239 images de 814 bébés dans un hôpital, étiquetant chaque radiographie comme présentant soit un os normal, soit des signes de maladie osseuse métabolique. Ils ont tracé un carré autour de la zone clé à l’extrémité du radius afin que l’ordinateur se concentre sur la même région que les experts humains. L’équipe a ensuite entraîné plusieurs modèles d’apprentissage profond de pointe sur ces images recadrées, en utilisant des techniques standard pour faire légèrement pivoter, éclaircir ou flouter les images afin que les algorithmes résistent mieux à la réalité souvent imparfaite de l’imagerie en soins intensifs néonatals.

Performance du lecteur numérique

Parmi les sept modèles testés, un réseau connu sous le nom de DenseNet-121 a donné les meilleurs résultats. Sur des radiographies inédites provenant de l’hôpital d’origine, il a correctement distingué images normales et anormales dans environ 92 % des cas et s’est montré particulièrement efficace pour écarter la maladie, ratant rarement les nourrissons atteints. Lorsque le modèle a été mis à l’épreuve avec des radiographies d’un second hôpital — équipé différemment et ayant des patients différents — il a conservé de solides performances, avec une grande précision globale et une excellente capacité à séparer les images suspectes des images normales. Une analyse plus approfondie a montré que lorsque le modèle prenait des décisions correctes, il se concentrait sur la même région du poignet que les experts humains, ce qui suggère qu’il avait appris des motifs médicalement pertinents plutôt que des particularités aléatoires des données.

Offrir aux médecins un deuxième avis plus intelligent

Les chercheurs ont ensuite demandé à huit pédiatres et trois radiologues d’interpréter des radiographies du poignet deux fois : d’abord seuls, puis à nouveau avec la prédiction du modèle affichée. Avec cet assistant numérique, les cliniciens sont devenus à la fois plus précis et plus cohérents. Sur les images de l’hôpital d’origine, la précision moyenne est passée d’environ deux tiers à plus de quatre cinquièmes, et les taux de fausses alertes comme de cas manqués ont diminué. Des améliorations similaires sont apparues lors de l’interprétation des images du second hôpital. Les bénéfices ont été les plus marqués pour les pédiatres, dont l’expérience en imagerie squelettique est souvent limitée. Pour eux, l’aide de l’IA a transformé une tâche difficile et sujette aux erreurs en une activité se rapprochant davantage des performances des radiologues, tout en réduisant légèrement le temps de lecture.

Ce que cela pourrait signifier pour les prématurés

En termes simples, cette étude montre qu’un programme informatique bien entraîné peut agir comme une seconde paire d’yeux fiable pour les médecins prenant soin de nourrissons prématurés fragiles. Bien que le modèle ne remplace pas le jugement clinique ni les analyses sanguines, il facilite le repérage des radiographies qui méritent une attention plus approfondie, en particulier dans les hôpitaux où les radiologues pédiatriques ne sont pas facilement disponibles. Une détection plus précoce et plus certaine de la fragilité osseuse pourrait déclencher des ajustements opportuns de la nutrition, du suivi et de la manipulation, réduisant le risque de fractures douloureuses et de problèmes de croissance à long terme. Avec des raffinements, des jeux de données plus vastes et l’intégration de marqueurs sanguins, de tels outils d’IA pourraient devenir des compagnons standard des unités néonatales du monde entier, travaillant discrètement en arrière-plan pour protéger les plus petits patients.

Citation: Park, S.G., Jeong, S., Cho, M. et al. Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs. Sci Rep 16, 7885 (2026). https://doi.org/10.1038/s41598-026-37116-7

Mots-clés: nouveau-nés prématurés, santé osseuse, IA en imagerie médicale, radiographies du poignet, soins intensifs néonatals