L'intelligence Artificielle dans le Laboratoire de FIV - HC Fertility

L’intelligence artificielle (IA) fait une entrée remarquée dans le domaine de la santé, et la procréation médicalement assistée ne fait pas exception. Ces dernières années, de nombreux logiciels analysent les images et les données des ovocytes ou des embryons. Dans cet article, nous allons vous expliquer comment ils peuvent nous aider à prendre des décisions dans le laboratoire de fécondation in vitro.

Un modèle d’IA est comme un « expert formé » à l’intérieur de l’ordinateur : il apprend en examinant de nombreux cas réels du passé (dossiers médicaux, images, résultats) et en tire des modèles pour estimer des probabilités dans un nouveau cas. Par exemple, à partir de l’âge de la patiente et de la photo d’un embryon, il peut calculer la probabilité d’aboutir ou non à une grossesse. Ce n’est pas de la magie et ce n’est pas une prédiction de l’avenir : il fournit des estimations, pas des certitudes.

Ces estimations dépendent des données utilisées pour l’entraînement (les hôpitaux, les patients, la qualité des dossiers) et de l’objectif pour lequel elles ont été conçues. C’est pourquoi tous les modèles ne sont pas identiques et que des modèles différents peuvent donner des résultats différents pour une même patiente, le même ovocyte ou le même embryon.

Ces plateformes ne remplacent pas l’évaluation de l’équipe clinique. Il est donc important de savoir interpréter les informations fournies par l’IA : un joli chiffre ou une étiquette attrayante ne suffisent pas. Il faut comprendre à quelle fréquence ce modèle est fiable, où il se trompe, et si les probabilités qu’il affiche sont réalistes et s’il fonctionne aussi bien dans différents centres et avec différents patients.

Dans cet article, nous vous expliquons, avec des mots simples, comment interpréter ces résultats et quand il est pertinent de s’y fier. L’idée est d’utiliser l’IA comme un soutien, en ajoutant son aide à l’expertise des embryologistes, des médecins et aux préférences des patients, afin de prendre les décisions les plus réfléchies et sûres.

Comment évaluer les modèles de prédiction et de classification ?

Pour savoir si un modèle est utile et sûr, on mesure ses performances à l’aide de plusieurs paramètres (métriques). Bien qu’il existe de nombreuses plateformes sur le marché, tous les modèles ne sont pas également performants. Si le modèle n’est pas adapté, sa capacité à prédire un résultat (dans ce cas, la probabilité de grossesse) n’est pas bonne.

Les métriques d’évaluation les plus importantes sont les suivantes :

Exactitude (accuracy)

Le pourcentage total de résultats corrects. Il s'agit d'une valeur utile, mais qui peut être trompeuse en cas de déséquilibre dans les résultats. Par exemple, si la plupart des embryons ne s'implantent pas, obtenir souvent le résultat « non » augmente la précision sans être un bon modèle.

Sensibilité (recall ou taux de vrais positifs)

Parmi tous les embryons qui s'implanteraient réellement, combien le modèle en identifie-t-il comme «bons» ? Si la sensibilité est faible, des embryons potentiellement bons passent inaperçus (faux négatifs).

Spécificité (taux de vrais négatifs)

Parmi tous les cas réellement négatifs, combien sont correctement écartés ? Dans le cas des embryons qui ne seraient pas implantés, combien sont identifiés comme présentant une « faible probabilité » ? Si la spécificité est faible, des embryons qui ne seraient pas implantés peuvent passer inaperçus (faux positifs).

Précision (précision ou valeur prédictive positive)

Parmi les cas que le modèle identifie comme « bons », combien le sont réellement ? Cela est utile pour ne pas créer de fausses attentes si la classe positive est rare.

Score F1

Équilibre entre la sensibilité et la précision en un seul chiffre. Il est utile lorsque nous voulons bien détecter les bons embryons, mais aussi éviter que le modèle ne classe pas comme bons des embryons qui ne le sont pas. Plus il se rapproche de 1, meilleur est le modèle.

AUC (aire sous la courbe – courbes ROC)

Elle mesure la capacité globale à distinguer entre les embryons bons et ceux qui le sont moins selon différents seuils (plus l'AUC se rapproche de 1, mieux c’est). Cette valeur est utile pour comparer les modèles.

En plus des mesures précédentes, il existe d’autres paramètres tout aussi importants tels que l‘explicabilité (pouvoir comprendre pourquoi le modèle suggère quelque chose) et la validation externe, qui nous assure que le modèle fonctionne dans différents centres médicaux et avec de différentes populations de patients.

Un bon modèle doit classer correctement la majorité des embryons (ensembles de lignes pointillées).

Pourquoi est-il important d'évaluer correctement un modèle avant de l'utiliser en laboratoire ?

L’intelligence artificielle peut être une alliée extraordinaire, mais seulement si elle est utilisée avec prudence et connaissance. Bien évaluer un modèle, c’est s’assurer que ses prédictions sont fiables et qu’elles apportent réellement une valeur ajoutée au travail de l’équipe de médecins et d’embryologistes. La technologie progresse rapidement, et c’est une bonne nouvelle : elle nous offre de nouveaux outils pour mieux comprendre les embryons et prendre des décisions plus pertinentes. Mais l’objectif reste le même : aider à créer la vie en toute sécurité, avec soin et espoir.

Chez HC Fertility, nous évaluons attentivement les différentes options d’intelligence artificielle disponibles, en vue de les intégrer prochainement à notre travail en laboratoire. Notre objectif est de le faire lorsque nous serons certains que ces outils apportent un réel bénéfice et complètent l’évaluation de nos embryologistes, sans remplacer leur expérience ni l’approche humaine qui caractérise notre façon de travailler. Car chaque décision en matière de procréation assistée a en effet une grande valeur émotionnelle et humaine.

Ariela Mata

Consultante en embryologie clinique