Guider l’examen : comment l’IA pourrait rendre l’échographie portable plus accessible

Un appareil d’échographie portable peut rapprocher l’imagerie des patients, mais obtenir une image exploitable exige encore des compétences spécifiques. À la Haute école spécialisée bernoise (BFH), nous étudions comment l’intelligence artificielle (IA) pourrait guider des non-spécialistes pendant l’examen, et ce qu’il faut établir avant que cette promesse puisse se traduire par un meilleur accès aux soins.

Un appareil n’est qu’un début

Imaginons un professionnel de santé qui tient une sonde d’échographie portable pendant qu’une image apparaît sur une tablette. L’équipement est disponible, et pourtant une question pratique demeure : où faut-il déplacer la sonde pour obtenir la vue requise ? Cette scène résume le défi au cœur de notre recherche : rendre un équipement d’imagerie plus facile à transporter ne le rend pas, en soi, plus facile à utiliser.

L’acquisition d’images échographiques dépend de l’habileté de l’opérateur à positionner et à orienter la sonde. Une image visible n’est qu’un point de départ : obtenir une vue exploitable suppose de savoir ce qu’il faut chercher et comment le trouver. Cela importe surtout là où l’expertise de spécialistes est difficile d’accès.

Avec un partenaire externe, nous étudions comment une assistance fondée sur l’IA pendant l’examen pourrait aider des professionnels de santé sans formation spécialisée en échographie. Notre travail est exploratoire ; cet article décrit les questions qui le motivent.

De l’image à une suggestion exploitable

L’approche que nous envisageons est une boucle de rétroaction (figure 2). Un logiciel évaluerait l’image échographique entrante, déterminerait dans quelle mesure l’anatomie pertinente est visible et suggérerait un ajustement. Le professionnel de santé appliquerait cette suggestion, produisant une nouvelle image à évaluer. Des idées apparentées ont été étudiées cliniquement pour des tâches définies : dans une étude cardiaque, des infirmiers et infirmières sans expérience préalable de l’échocardiographie ont acquis, après une formation avec guidage par IA, des images de qualité diagnostique pour plusieurs évaluations prédéfinies [5], et une étude distincte sur l’échographie pulmonaire a constaté que des professionnels de santé utilisant un guidage par IA pouvaient obtenir des images répondant à des critères de qualité diagnostique prédéfinis [1]. Ces résultats sont propres à une application spécifique; ils ne montrent pas qu’un même système fonctionne pour tous les organes.

Une consigne telle que « tourner la sonde dans le sens des aiguilles d’une montre » rend l’idée concrète : elle traduit l’analyse d’image en une action que l’opérateur peut exécuter. Fournir une telle consigne de manière fiable exige toutefois davantage que de détecter une image peu claire. Le système doit aussi juger si un ajustement donné est susceptible d’aider. Cet exemple illustre une interaction proposée, et non une capacité existante.

Trois éléments sous-tendent notre ambition : évaluer les images, fournir des indications compréhensibles et traiter l’information assez efficacement pour un usage portable. Le retour doit arriver assez vite pour rester pertinent pendant que l’opérateur déplace la sonde ; concilier vitesse, évaluation des images et ressources de calcul limitées d’un appareil portable fait donc partie du problème de recherche.

Nous nous concentrons sur l’acquisition de l’image ; son interprétation en vue d’un diagnostic est une tâche distincte.

Figure 1 : Dispositif d’imagerie échographique portable : sonde tenue en main (à gauche) et affichage en mode B sur tablette (à droite).

Figure 2 : Boucle de guidage conceptuelle. Un logiciel évaluerait une image et suggérerait un ajustement ; le professionnel de santé appliquerait cette suggestion et acquerrait une nouvelle image. La figure décrit un objectif de recherche, et non une architecture de système validée.

Qu’est-ce qui rendrait un guidage utile en pratique ?

Un guidage ne peut être meilleur que la compréhension qu’a le système de ce que montre la sonde. L’échographie est un cadre exigeant pour la vision par ordinateur : les images sont bruitées, la luminosité varie dans le champ de vue, et l’apparence d’une même anatomie change selon la position de la sonde et selon le patient. Des recherches antérieures en échographie ont déjà combiné des statistiques d’image locales et globales dans un cadre de segmentation adaptatif conçu pour gérer le bruit et l’inhomogénéité spatiale d’intensité [2]. Avant qu’un logiciel puisse indiquer où se déplacer, il doit reconnaître quelles structures sont visibles et lesquelles manquent.

C’est pourquoi nous considérons la compréhension de l’image comme le fondement du guidage. La segmentation, qui divise une image en régions significatives, et une compréhension plus large de l’anatomie donneraient à un système de guidage quelque chose de concret sur quoi raisonner : ce qui est visible, avec quelle netteté, et ce que contiendrait une meilleure vue. Nos travaux actuels portent donc sur les sorties des appareils portables et sur la manière de les traiter, en abordant chaque composant avant de tenter de les relier en un système complet.

Des recherches récentes sur les modèles de fondation en échographie suggèrent une voie vers une telle compréhension. Ces modèles apprennent des caractéristiques réutilisables à partir de vastes collections d’images, puis peuvent être adaptés à différents organes et tâches. Par exemple, USFM a été pré-entraîné de manière auto-supervisée sur une base de données échographiques multi-organes de plus de deux millions d’images et a obtenu, dans les expériences rapportées, de bonnes performances en segmentation et en classification par rapport à des modèles représentatifs d’analyse d’images échographiques [4]. La classification attribue des catégories aux images. Réutiliser un modèle commun pourrait réduire la quantité de données annotées nécessaire pour chaque application. Il faudrait encore évaluer si un tel modèle convient à un appareil, à une tâche clinique et à un flux de travail de guidage en direct donnés.

Comprendre une image ne revient pas à savoir comment l’améliorer. Une méthode pourrait reconnaître l’anatomie de façon constante et fournir pourtant trop peu d’information pour choisir un ajustement utile. Évaluer l’analyse d’images répond donc à une autre question qu’évaluer le guidage destiné aux opérateurs. Relier les deux suppose de définir clairement de quelle information le guidage a besoin et comment l’analyse d’images peut la fournir.

Comment savoir si cela aide ?

Des spécialistes cliniques, des chercheurs techniques et le partenaire fournisseur de l’appareil contribuent chacun à répondre à trois questions. La performance technique seule ne décrit pas le fonctionnement d’un système en pratique. La ligne directrice DECIDE-AI sur la présentation des évaluations cliniques précoces de systèmes d’aide à la décision fondés sur l’IA insiste de même sur la nécessité de décrire non seulement le système d’IA lui-même, mais aussi son interaction avec les utilisateurs et l’environnement clinique dans lequel il est déployé [7].

Les conseils aident-ils les utilisateurs à obtenir l’image souhaitée ? Une évaluation pertinente commencerait par une tâche clinique définie et des critères permettant de juger l’utilité d’une image, que les spécialistes cliniques devraient aider à établir. Comparer l’acquisition avec et sans guidage, dans des conditions appropriées, permettrait ensuite de tester si l’assistance fait une différence. La collecte de données et le plan d’évaluation restent à préciser ; ce sont des questions pour des travaux futurs, et non les résultats d’une étude achevée.

Les utilisateurs peuvent-ils comprendre les conseils et en reconnaître les limites ? Une suggestion techniquement plausible n’est utile que si l’opérateur peut l’appliquer. De meilleures images et des examens plus rapides sont en outre deux résultats distincts : une étude en laboratoire menée auprès d’opérateurs novices réalisant une vue échographique abdominale ciblée a constaté une qualité d’image diagnostique supérieure avec le guidage par IA, bien que les durées d’examen aient d’abord été plus longues [3]. L’évaluation devrait examiner comment les personnes interprètent les instructions, quelle formation leur est nécessaire et ce qui se passe lorsque le système ne peut offrir de guidage fiable. L’assistance devrait soutenir le jugement professionnel et rendre ses limites explicites. L’ambition d’aider des non-spécialistes ne signifie pas que la formation puisse être supprimée.

L’approche peut-elle fonctionner dans le cadre prévu ? Le traitement embarqué est une exigence ; le flux de travail environnant compte aussi. Nous devons préciser comment les images sont recueillies et traitées, comment l’assistance s’intègre à la pratique clinique et quand l’appui de spécialistes est nécessaire.

De la disponibilité élargie à un accès véritable

Pour le professionnel de santé du scénario initial, la valeur potentielle est concrète : une aide au moment de l’incertitude sur la manière d’obtenir une vue exploitable. Si un tel soutien se révèle efficace, il pourrait rendre l’imagerie portable plus utilisable là où l’expertise et les ressources sont limitées. Une recherche menée en Zambie a exploré une autre voie pour abaisser les obstacles liés à l’expertise : estimer l’âge gestationnel à partir de balayages « à l’aveugle » réalisés par des infirmières sages-femmes non formées, avec un équipement échographique peu coûteux et alimenté par batterie [6]. Ce travail interprète des balayages enregistrés au lieu de donner des instructions de déplacement de la sonde. Le guidage pourrait aussi soutenir l’apprentissage, mais ce bénéfice devrait faire l’objet d’une évaluation propre.

Telle est notre motivation sociétale. Un meilleur accès aux soins et une réduction des inégalités sont des contributions visées, et non des résultats établis par nos travaux exploratoires. Leur réalisation dépendrait non seulement des capacités techniques, mais aussi de la manière dont un système fonctionnel atteint les personnes et soutient leur pratique.

Une application clinique ciblée rendrait cette ambition vérifiable. Plutôt que de mesurer le succès à l’aune d’une promesse large d’assistance pour de nombreux organes, nous pouvons demander si le guidage aide un groupe précis d’utilisateurs dans une tâche clairement définie.

L’accès doit inclure un soutien utilisable

L’échographie portable et le guidage par IA pourraient se compléter : l’une rapproche l’équipement des lieux où il est nécessaire, l’autre vise à aider à obtenir des images exploitables. Notre recherche porte sur l’écart entre cette promesse et un outil fiable. Son enseignement plus large pour la transformation numérique est que l’accès ne se réduit pas à la possession d’une technologie : il exige aussi un soutien que les personnes comprennent et utilisent efficacement, ainsi que des preuves indiquant où ce soutien aide et où se situent ses limites.

Références

[1] Cristiana Baloescu, John Bailitz, Baljash Cheema, et al. Artificial intelligence–guided lung ultrasound by nonexperts. JAMA Cardiology, 10(3):245–253, 2025.

[2] Djamal Boukerroui, Atilla Baskurt, J. Alison Noble, and Olivier Basset. Segmentation of ultrasound images—multiresolution 2D and 3D algorithm based on global and local statistics. Pattern Recognition Letters, 24(4–5):779–790, 2003.

[3] I-Min Chiu, Chun-Hsiang Ryan Lin, Fu-Fan Frank Yau, et al. Use of a deep-learning algorithm to guide novices in performing focused assessment with sonography in trauma. JAMA Network Open, 6(3):e235102, 2023.

[4] Jing Jiao, Jin Zhou, Xiaokang Li, Menghua Xia, Yi Huang, Lihong Huang, Na Wang, Xiaofan Zhang, Shichong Zhou, Yuanyuan Wang, and Yi Guo. USFM: A universal ultrasound foundation model generalized to tasks and organs towards label efficient image analysis. Medical Image Analysis, 96:103202, 2024. https://doi.org/10.1016/j.media.2024.103202.

[5] Akhil Narang, Richard Bae, Hyung Hong, et al. Utility of a deep-learning algorithm to guide novices to acquire echocardiograms for limited diagnostic use. JAMA Cardiology, 6(6):624–632, 2021.

[6] Teeranan Pokaprakarn, Juan C. Prieto, Joan T. Price, et al. AI estimation of gestational age from blind ultrasound sweeps in low-resource settings. NEJM Evidence, 1(5):EVIDoa2100058, 2022.

[7] Baptiste Vasey, Myura Nagendran, Bruce Campbell, et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. Nature Medicine, 28:924–933, 2022.