Crédit : Unsplash/CC0 Domaine public
La prééclampsie est l’une des principales causes de mortalité maternelle. Même après un accouchement sans complications, la mère et le bébé peuvent rentrer chez eux et présenter des signes d’hypertension post-partum quelques jours ou semaines plus tard.
L’examen du placenta après l’accouchement peut fournir des indications importantes sur les complications survenues pendant la grossesse et identifier les risques futurs. Parmi ces indications figure la vasculopathie déciduale, une maladie des vaisseaux sanguins maternels du placenta fréquemment associée à la prééclampsie du post-partum. Cependant, on constate une grave pénurie de pathologistes périnatals formés à la réalisation de dépistages placentaires systématiques, ce qui explique que moins de 20 % des placentas aux États-Unis soient examinés après l’accouchement.
Pour rationaliser ce processus, dans l’espoir qu’un jour tous les placentas soient examinés par des pathologistes pour détecter des signes de maladie, des chercheurs du département de génie mécanique de l’université Carnegie Mellon et du département de pathologie de l’UPMC ont développé un algorithme d’apprentissage automatique capable d’identifier rapidement les placentas présentant des biomarqueurs notables et de signaler les cas qui pourraient nécessiter un examen plus approfondi par un pathologiste spécialisé.
« L’examen des placentas s’apparente un peu à un jeu de recherche », explique Mangalam Sahai, premier auteur de l’article publié dans npj Digital Medicine . « Nous devons repérer cinq vaisseaux sanguins malades parmi 3 000 à 4 000 vaisseaux d’apparence très similaire. »
Suivi des changements de navires
L’une des différences biologiques recherchées par les pathologistes concerne les cellules trophoblastiques extravilleuses (EVT), qui contribuent au remodelage des vaisseaux sanguins maternels afin d’assurer un apport sanguin suffisant au placenta et au fœtus en développement. Dans les vaisseaux atteints de vasculopathie déciduale, l’organisation de ces cellules par rapport aux globules rouges est modifiée.
La première étape des chercheurs a donc consisté à utiliser les propriétés de transmission de la lumière dépendantes de la coloration des EVT et des globules rouges dans les images des vaisseaux placentaires pour identifier leur organisation spatiale.
C’est un peu comme comparer deux mélanges de fruits secs : ils contiennent les mêmes ingrédients, mais dans des proportions différentes. En observant la quantité relative de chaque ingrédient, on peut distinguer un mélange de l’autre. De même, le modèle analyse la distribution relative des EVT et des globules rouges dans un vaisseau pour distinguer les vaisseaux sains des vaisseaux malades.
L’algorithme convertit ces motifs en un score standardisé indiquant le caractère typique ou atypique de l’organisation cellulaire. Plutôt que de simplement qualifier un vaisseau de « malade » ou de « sain », le modèle de l’équipe se distingue par une troisième étape unique : le calcul d’un score de séparation morphologique.
Rendre les diagnostics de l’IA explicables
Ce score compare la répartition relative des EVT et des globules rouges au sein de chaque vaisseau. Les vaisseaux sains présentent généralement moins d’EVT que de globules rouges, tandis que les vaisseaux malades en contiennent davantage. Ces différences permettent de distinguer deux groupes distincts de vaisseaux.
La capacité inédite de ce modèle à déterminer non seulement la présence de signes de maladie, mais aussi à expliquer le raisonnement qui a conduit à cette conclusion, est essentielle au déploiement de l’IA dans le domaine de la santé. L’explicabilité est primordiale en IA car, au lieu de s’appuyer sur un diagnostic opaque et inexpliqué, le modèle peut orienter les pathologistes vers une différence biologique mesurable.
« Nous mettons au point un modèle d’IA biologiquement pertinent qui peut contribuer à l’élaboration de diagnostics », a déclaré Phil LeDuc, professeur de génie mécanique. « C’est essentiel pour garantir la fiabilité des diagnostics. Je suis convaincu qu’à l’avenir, des modèles comme le nôtre amélioreront la vie non seulement des patientes atteintes de prééclampsie, mais aussi de celles souffrant de cancer et de maladies cérébrales, pour lesquelles différents biomarqueurs constituent des indicateurs précoces. »
« L’intervention humaine est irremplaçable », a souligné Jon Cagan, professeur de génie mécanique. « Les modèles d’IA permettront aux pathologistes de diagnostiquer davantage de cas de prééclampsie tout au long de la journée, contribuant ainsi à rendre les décisions cliniques plus efficaces et plus accessibles.
https://medicalxpress.com/news/2026-09-ai-pathologists-preeclampsia-advancing-diagnosis.html
