Applications de la vision par ordinateur en chirurgie vasculaire : revue systématique et critique

Caméras intelligentes pour les médecins des vaisseaux sanguins

Les médecins qui traitent les problèmes vasculaires s’appuient fortement sur les images médicales, des scanners corporels aux simples photos de plaies. Ces dernières années, la vision par ordinateur — des logiciels qui « voient » et interprètent des images — a progressé si rapidement qu’elle peut parfois égaler des spécialistes médicaux. Cet article passe en revue des centaines d’études pour examiner comment ces outils de lecture d’images sont utilisés en chirurgie vasculaire, quelle est leur performance et ce qui doit encore être amélioré avant qu’ils puissent aider les cliniciens en toute sécurité.

Où la recherche progresse rapidement

Les auteurs ont interrogé les principales bases de données médicales et techniques et ont retrouvé 288 études, avec une explosion des publications après 2017 et une nouvelle vague en 2024–2025. La plupart des projets ont analysé des images existantes plutôt que de suivre des patients prospectivement. Les chercheurs se sont principalement concentrés sur trois problèmes : le ballonnement de l’artère principale du corps (anévrismes et dissections de l’aorte), le rétrécissement des artères cervicales qui irriguent le cerveau, et les plaies plantaires difficiles à cicatriser, en particulier chez les personnes diabétiques. En revanche, des affections comme l’obstruction des artères des jambes et les maladies veineuses — problèmes courants en consultation vasculaire — ont été rarement étudiées, alors qu’elles peuvent provoquer douleur, handicap et amputations.

Ce que regardent réellement les ordinateurs

Dans l’ensemble des études, les ordinateurs ont été alimentés par de nombreux types d’images. Pour les maladies aortiques, la plupart utilisaient des scanners (CT) ; pour les pathologies des artères cervicales, on a privilégié l’échographie ; pour les ulcères du pied, les photos standards et les images thermiques étaient les plus utilisées. Les outils les plus fréquents étaient les réseaux profonds modernes, en particulier les U‑Net et autres réseaux convolutionnels, parfois combinés en ensembles. Ces systèmes étaient généralement sollicités pour segmenter des structures (comme la lumière et la paroi d’une artère, ou les bords d’une plaie), mesurer des tailles, ou classer des images en catégories telles que « malade » ou « sain ». Beaucoup de modèles affichaient des performances impressionnantes sur le papier, se rapprochant parfois du jugement d’experts pour des tâches comme mesurer la taille d’un anévrisme ou suivre la surface d’un ulcère du pied.

Ces outils sont‑ils fiables et équitables ?

Malgré des résultats prometteurs, la revue révèle des préoccupations sérieuses sur la façon dont ces systèmes ont été construits et testés. Seule une minorité a utilisé des données externes provenant d’autres hôpitaux, ce qui est crucial pour montrer qu’un modèle fonctionnera dans le monde réel et non seulement sur son jeu de données d’origine. Beaucoup d’articles ont omis des garde‑fous élémentaires contre le surapprentissage, comme des jeux de validation séparés ou des vérifications du déséquilibre des classes, et certains ont même évalué les performances sur les mêmes images que celles utilisées pour l’entraînement. Les manières de rapporter les résultats étaient hétérogènes : pour les tâches de segmentation, environ la moitié rapportait un score d’overlap largement accepté, et pour les prédictions binaires, moins d’une étude sur cinq utilisait la mesure plus robuste AUROC. Très peu d’études ont examiné si leurs systèmes se comportent différemment selon les groupes de patients ou les appareils d’imagerie, laissant des questions sur l’équité et la généralisabilité.

Les lacunes dans les sujets étudiés

Le paysage de la recherche ne reflète pas les besoins quotidiens des patients. L’essentiel des travaux se concentre sur l’aorte, les artères cervicales et le pied diabétique — des domaines disposant de grandes bases d’images et de tâches bien définies. Pendant ce temps, la maladie artérielle périphérique des jambes, qui touche souvent des personnes issues de minorités raciales et des populations à faibles revenus, reste sous‑étudiée. Les auteurs soutiennent que la vision par ordinateur pourrait être particulièrement utile ici pour prédire quels patients s’aggraveront et pour automatiser des scores complexes qui prennent aujourd’hui trop de temps en consultation. Une autre opportunité négligée est le logiciel capable d’imiter le produit de contraste dans les scans sans exposer les patients — dont beaucoup ont des problèmes rénaux — à des produits potentiellement nocifs : seule une poignée d’études vasculaires a exploré cette technique.

Élever le niveau pour les travaux futurs

Pour juger la qualité, les auteurs ont appliqué deux listes de contrôle établies évaluant le biais et le reporting dans les études de prédiction. Seule environ une étude sur cinq des plus récentes obtenait un faible risque de biais, et l’adhésion globale aux standards de rapport est restée juste au‑dessus de la moitié, bien qu’elle se soit améliorée avec le temps. Les manques fréquents incluaient une description floue de la façon dont les « vérités terrain » ont été établies, un manque de transparence sur les sources de données, l’absence d’informations sur le choix des hyperparamètres, et quasiment aucune implication des patients ou des parties prenantes publiques. Les auteurs en appellent aux chercheurs pour suivre ces recommandations dès la phase de planification, utiliser des mesures de performance cohérentes (dice pour la segmentation, AUROC pour les décisions binaires), partager données et code quand cela est possible, et construire des essais prospectifs qui testent si les outils de vision par ordinateur améliorent réellement les résultats pour les patients.

Ce que cela signifie pour les patients et les cliniciens

Globalement, la revue brosse le tableau d’outils puissants de lecture d’images qui en sont encore aux premières étapes de leur passage du laboratoire à la clinique. La vision par ordinateur en chirurgie vasculaire montre déjà qu’elle peut détecter, segmenter et mesurer des anomalies vasculaires et des plaies avec une précision impressionnante dans des conditions contrôlées. Mais tant que les études ne refléteront pas mieux la pratique réelle, n’incluront pas des patients diversifiés et ne respecteront pas des normes de qualité plus strictes, ces systèmes resteront surtout des curiosités de recherche plutôt que des partenaires de confiance dans la prise en charge. Si les développeurs et les cliniciens s’attaquent à ces enjeux, la vision par ordinateur pourrait devenir un outil courant qui accélère le diagnostic, soutient des décisions complexes et élargit l’accès à une expertise de niveau spécialisé pour les personnes atteintes de maladies vasculaires.

Citation: Liyanage, A., Li, B., Yi, J. et al. Computer vision applications in vascular surgery: a systematic review and critical appraisal. npj Digit. Med. 9, 260 (2026). https://doi.org/10.1038/s41746-026-02427-6

Mots-clés: vision par ordinateur en chirurgie vasculaire, IA pour l’imagerie médicale, maladies aortiques et carotidiennes, ulcères du pied diabétique, maladie artérielle périphérique