Une nouvelle technologie d'imagerie médicale basée sur l'intelligence artificielle permet de prédire avec précision la forme de la résection osseuse nécessaire lors de l'implantation cochléaire, en se basant uniquement sur des scanners CT préopératoires. Cette méthode innovante, publiée dans le Journal of Medical Imaging, combine deux approches avancées d'apprentissage automatique pour apprendre à partir de paires d'images « avant-après » chirurgie, sans nécessiter de marquage manuel précis par des experts. L’implant cochléaire aide les personnes souffrant de perte auditive sévère en implantant un dispositif électronique dans l’oreille interne. Pour y accéder, les chirurgiens doivent d’abord retirer une partie de l’os situé derrière l’oreille, une opération appelée mastoïdectomie. La forme de la cavité ainsi créée varie fortement d’un patient à l’autre et ne présente pas de limite externe claire, ce qui rend difficile sa prédiction avec les outils traditionnels d’analyse d’images. Une meilleure anticipation de cette forme avant l’intervention pourrait améliorer les systèmes de navigation chirurgicale, les outils robotisés, la visualisation intra-opératoire et, en fin de compte, les résultats pour les patients. Les chercheurs, issus de l’Université St. Mary, de l’Université Trinity, de l’Université Vanderbilt et du Centre for Advanced AI, ont conçu une méthode en deux étapes. Le premier modèle compare les scanners CT préopératoires et postopératoires, même si les images après chirurgie sont bruitées, en se concentrant sur la structure globale plutôt que sur les détails fins. Ce processus lui permet d’apprendre automatiquement quelle partie de l’os a été enlevée, sans aucune intervention humaine. Les prédictions du premier modèle servent ensuite de « labels faibles » pour un second modèle, qui utilise une fonction de perte 3D basée sur la distribution de Student. Cette approche est particulièrement efficace pour gérer les données imprécises ou hétérogènes, ce qui améliore significativement la précision des prédictions finales. Ce système d’apprentissage auto-supervisé fonctionne même lorsque des données étiquetées manuellement sont rares ou impossibles à obtenir. Les chercheurs ont testé leur méthode sur 751 paires d’images CT pré- et postopératoires. Comparée à 32 cas étiquetés manuellement par des chirurgiens, l’IA a obtenu un score Dice moyen de 0,72 — un résultat supérieur à celui de plusieurs modèles courants en imagerie médicale. Un score Dice élevé indique une forte concordance entre la forme prédite et la réalité observée après chirurgie. En outre, l’équipe a réussi à générer un modèle 3D de la surface osseuse prévue après l’intervention. Ce modèle pourrait un jour guider les chirurgiens en temps réel ou servir à la formation des étudiants en médecine. Cette recherche ouvre la voie à une nouvelle manière de concevoir des systèmes d’IA pour l’imagerie médicale dans des contextes où les données étiquetées sont difficiles à produire. De nombreuses structures corporelles ont des formes complexes, difficiles à délimiter manuellement, et cette méthode pourrait faciliter leur analyse. Pour les patients, elle pourrait rendre l’implant cochléaire plus sûr et plus efficace, en offrant aux chirurgiens une vision anticipée plus claire de l’intervention. Bien que les résultats soient prometteurs, les chercheurs soulignent la nécessité de tests supplémentaires dans différents établissements avant une intégration clinique courante. Ils espèrent également enrichir les modèles 3D avec des textures plus réalistes pour une meilleure utilisation en salle d’opération.