Apprentissage profond pour la segmentation des vaisseaux et l’analyse du flux afin d’identifier des groupes associés à des issues défavorables dans un registre de patients Fontan

Pourquoi étudier l’écoulement sanguin chez l’enfant est important

Les enfants nés avec une seule pompe cardiaque fonctionnelle subissent souvent une intervention complexe appelée procédure de Fontan pour survivre jusqu’à l’âge adulte. Ces patients peuvent paraître stables pendant des années, mais certains développent plus tard des problèmes graves touchant le cœur et le foie. Les médecins collectent déjà des examens IRM détaillés qui capturent comment le sang circule réellement à travers le cœur et les vaisseaux au fil du temps, mais la plupart de ces données dynamiques riches restent inutilisées. Cette étude montre comment l’intelligence artificielle moderne peut déverrouiller cette information cachée à grande échelle, révélant des schémas d’écoulement sanguin liés à une meilleure ou une pire santé à long terme.

Transformer des milliers de scans en données exploitables

Les chercheurs ont travaillé avec le registre FORCE, une grande collection internationale d’examens IRM cardiaques provenant de plus de 3 000 personnes en circulation Fontan. Chaque examen comprend des séquences spécialisées qui suivent la vitesse du flux sanguin dans les vaisseaux clés à chaque battement cardiaque. Pour apprendre de ces scans, l’équipe a d’abord dû délimiter les vaisseaux sur chaque image et mesurer le flux au fil du temps — une tâche manuelle fastidieuse qui aurait pris environ un an de travail continu par des experts. Ils ont donc construit un modèle d’apprentissage profond capable à la fois de reconnaître quel vaisseau est imagé et de dessiner automatiquement la limite du vaisseau pour cinq voies principales : l’aorte et quatre grosses veines et artères conduisant vers et depuis les poumons.

Comment fonctionne le système de segmentation intelligent

Le noyau du système est un réseau neuronal qui analyse chaque séquence comme un bloc 3D court : deux dimensions spatiales plus le temps. Il exploite deux versions du signal IRM — l’une montrant l’anatomie, l’autre mettant en évidence le sang en mouvement — et a été entraîné sur 260 examens où des experts avaient déjà tracé les vaisseaux à la main. Le modèle ne se contente pas de délimiter les structures ; il apprend aussi à identifier quel vaisseau est lequel, aidé par les informations saisies par l’opérateur du scanner au moment de l’imagerie. Grâce à cette conception combinant classification et segmentation, le système a obtenu un recouvrement très élevé avec les tracés humains et a correctement identifié le type de vaisseau dans presque tous les cas tests, malgré l’anatomie particulièrement tortueuse et variable fréquente chez les patients Fontan.

Mise à l’échelle pour un registre international entier

Une fois validé, le modèle a été intégré dans un pipeline automatisé cloud et appliqué à plus de 4 500 examens du registre. Pour chaque scan, il extrayait les séquences de flux, segmentait les cinq vaisseaux cibles et générait une courbe flux‑au‑cours‑du‑temps pour chaque battement cardiaque, le tout sans intervention humaine. Des experts ont ensuite vérifié ces résultats et ont constaté qu’environ 90 % des segmentations étaient suffisamment bonnes pour un usage clinique lorsque les cinq vaisseaux étaient présents. Le système a été un peu moins performant chez les patients présentant des anatomies particulièrement inhabituelles, comme des veines dupliquées, mais a néanmoins fourni un ensemble de données massif et jusque‑là inaccessible de mesures d’écoulement sanguin propres et variables dans le temps.

Trouver des types d’écoulement cachés liés aux issues cliniques

Avec des milliers de courbes de flux en main, le second modèle d’apprentissage profond de l’équipe a recherché des regroupements naturels de patients basés uniquement sur la façon dont le sang se déplaçait dans leurs vaisseaux au fil du temps. Ce modèle a compressé chaque paire de courbes — soit des artères pulmonaires, soit des grosses veines — en une représentation interne compacte, puis a regroupé les patients en « phénotypes » d’écoulement distincts. Certains groupes présentaient des flux équilibrés et de taille normale ; d’autres montraient un flux global réduit, un flux dominant vers un poumon, ou un flux décalé vers la phase de relaxation du battement cardiaque. Les chercheurs ont ensuite suivi les patients au fil du temps et ont découvert que certains schémas d’écoulement étaient associés à des risques accrus de décès, de transplantation cardiaque ou de maladie hépatique, même après ajustement pour l’âge, la fonction de pompe cardiaque et d’autres mesures standard.

Ce que cela pourrait changer pour les soins futurs

En termes simples, l’étude démontre que la façon dont le sang circule dans la circulation Fontan — quels vaisseaux transportent plus ou moins de flux et à quel moment du battement cardiaque — contient des indices essentiels sur les patients susceptibles de rencontrer des complications graves. Les auteurs montrent que l’intelligence artificielle peut transformer de larges archives de films IRM bruts en profils d’écoulement et en groupes de risque signifiants, sans tracé manuel ni règles conçues à la main. À l’avenir, un système de ce type pourrait s’exécuter automatiquement juste après l’IRM d’un enfant, signalant ceux dont les schémas d’écoulement ressemblent à des groupes à risque plus élevé et aidant les médecins à adapter le suivi, les examens complémentaires ou même la planification chirurgicale. Au‑delà des patients Fontan, la même approche pourrait être adaptée à d’autres affections cardiaques, à des examens de suivi motionnel, voire à des signaux courants comme l’ECG, exploitant davantage l’information que les hôpitaux collectent déjà mais exploitent rarement en profondeur.

Citation: Yao, T., Clair, N.S., Gong, M. et al. Deep learning for vessel segmentation and flow analysis to identify clusters associated with adverse outcomes in a fontan patient registry. Sci Rep 16, 11956 (2026). https://doi.org/10.1038/s41598-026-40738-6

Mots-clés: Circulation Fontan, IRM cardiaque, apprentissage profond, schémas d’écoulement sanguin, stratification du risque patient