[BELLE HISTOIRE] Une IA pour optimiser la chirurgie de l’arthrose du genou assistée par robot

L’arthrose du genou est une affection courante – touchant, d’après l’Assurance Maladie, 30 % des personnes âgées de 65 à 75 ans –, caractérisée par une usure des cartilages du genou. Dès lors, au niveau de l’articulation, le tibia et le fémur frottent l’un contre l’autre, ce qui entraîne des douleurs. Si l’arthrose devient trop handicapante, il est alors recommandé de procéder à une arthroplastie : la pose d’une prothèse par un chirurgien orthopédique, qui doit découper une partie des os pour pouvoir y insérer l’articulation artificielle.

Dans un tel acte, il est donc primordial de connaître les caractéristiques du genou du patient, afin de procéder à des coupes aussi précises que possible. Traditionnellement, les chirurgiens s’appuient sur des radiographies 2D, des tiges métalliques à insérer dans le tibia et le fémur, ainsi que sur leur savoir et leur expérience. « Cette méthode est toutefois très invasive, ce qui peut induire un temps important de récupération ou des risques d’infection », observe Anna Gounot, doctorante chez Ganymed Robotics. « D’ailleurs, l’arthroplastie conventionnelle possède un taux élevé d’insatisfaction chez les patients – de 15 à 20 % dans la littérature scientifique. De plus, elle dépend étroitement du niveau d’expertise du praticien. »

Du scanner à la chirurgie du genou assistée par robot

D’où l’intérêt de standardiser la procédure d’intervention, en assistant le chirurgien à l’aide d’un robot collaboratif. C’est exactement ce que développe l’entreprise Ganymed Robotics. À la différence des autres solutions robotiques du marché, le robot de la start-up française possède une caméra, qui « voit » directement les tissus au moment de l’opération.

Comme toute méthode de chirurgie orthopédique robotisée, celle de Ganymed Robotics débute par une planification préopératoire. Le patient doit premièrement passer un scanner, qui permet de reconstituer une image de son tibia et de son fémur, utilisée pour prévoir les découpes des os. Ensuite, lors de l’opération, ces informations doivent être fournies au robot afin qu’il se place précisément au niveau des zones de découpe prévues, facilitant ainsi le travail du chirurgien.

Mais ce n’est pas si simple. En effet, s’il permet d’observer les os, un scanner n’est pas capable d’afficher le cartilage au sein du genou. Or, la présence de ce tissu mou, même détérioré, peut avoir une incidence majeure sur une opération aussi minutieuse. Par conséquent, la réussite de l’intervention dépend fortement de la capacité à prédire sa forme et son épaisseur au niveau des zones de découpe.

Une IA entraînée à partir d’images IRM

C’est l’objet de la thèse CIFRE menée par Anna Gounot, fruit d’un partenariat entre Ganymed Robotics et le Laboratoire de traitement de l’information médicale (LaTIM, INSERM UMR 1101), sous cotutelle d’IMT Atlantique, école composante de l’institut Carnot TSN. Entamée en avril 2023, elle est encadrée par Valérie Burdin et Guillaume Dardenne, côté académique, et par Marion Decrouez, côté industriel. Son objectif : mettre au point une méthode d’analyse automatique des images de scanner afin de prédire la distribution du cartilage au sein du genou d’un individu.

Pour y parvenir, Anna Gounot a fait appel à un type particulier d’IA, appartenant au champ du machine learning : le modèle statistique de forme (en anglais Statistical Shape Model, SSM). Avec une telle approche, la première étape consiste à entraîner l’algorithme à partir d’un jeu de données afin qu’il apprenne statistiquement la forme d’un cartilage en fonction des configurations. Dans ce but, l’équipe de recherche s’est appuyée sur des images issues d’IRM, un examen permettant de voir à la fois l’os et le cartilage. « Dès lors, on pourrait se demander : pourquoi s’entêter à faire passer des scanners, alors que l’IRM semble fournir davantage d’informations ? », anticipe Anna Gounot. « Mais en réalité, en clinique, l’IRM présente des inconvénients tels que son coût, certaines contre-indications, ou encore une précision moindre qu’un scanner quant à la visualisation des os. Néanmoins, en recherche, il est possible d’utiliser des protocoles IRM spécifiques qui offrent un rendu plus précis, y compris pour les os. »

C’est pourquoi les chercheurs ont employé une base de données compilant une grande quantité d’images de genou acquises par IRM. « Cependant, pour exploiter cette base de données, il faut procéder à une étape clé de segmentation », précise Anna Gounot. « Cela signifie que sur chaque coupe d’IRM, il faut colorer les parties correspondant à l’os et celles où figure du cartilage. Une tâche à la main fastidieuse, mais qui peut aussi être automatisée. » Dans le cadre de la thèse, l’équipe de recherche a collaboré avec d’autres laboratoires pour obtenir des segmentations manuelles sur les IRM.

Prédire le cartilage en fonction de l’os

Ainsi, les chercheurs disposaient de la matière nécessaire à l’entraînement du SSM développé par Anna Gounot. Ou, plutôt, des SSM. « Nous avons décidé de mettre au point deux SSM différents », indique la doctorante. « L’un était entraîné uniquement sur des individus sains, l’autre sur des patients atteints d’une pathologie médiale d’arthrose du genou, c’est-à-dire affectant la partie interne de l’articulation. Le premier ne représente, certes, pas d’intérêt direct pour Ganymed Robotics, mais il nous aidait à mieux comprendre le fonctionnement d’un SSM et à observer de potentielles disparités d’apprentissage à partir de deux bases de données différentes. »

Anna Gounot a toutefois souhaité enrichir cette phase d’entraînement, en se rendant à Pune (Inde) auprès du professeur Bhushan Borotikar, du Symbiosis Centre for Medical Image Analysis (SCMIA). Celui-ci mène en effet une campagne de collecte de données sur des cadavres, en leur faisant passer des scanners et des IRM. « Cela nous permettait d’entraîner nos modèles à partir de données différentes, ce qui ne peut que les améliorer », se satisfait la doctorante. « Et nous avions également accès à des images de scanner, plus seulement à celles d’IRM. Cela nous rapprochait donc du cas réel d’utilisation de Ganymed Robotics, puisqu’il s’agira de patients passant un scanner. Enfin, ce séjour de trois mois a été pour moi l’occasion de me former à la segmentation manuelle et de mettre au point un modèle de deep learning automatisant cette tâche. »

À partir de ces diverses sources de données, les SSM ont donc appris à établir un lien statistique entre la forme d’un tibia et d’un fémur et le cartilage associé. Une compétence ensuite utilisée pour analyser automatiquement une image de scanner et fournir une carte de distribution probable du cartilage sur un os.

Des prédictions statistiques du cartilage aux prédictions spécifiques au patient

« Il convient de rappeler qu’à ce moment, il ne s’agit que de prédictions statistiques, réalisées à partir de l’apprentissage du SSM et d’images de scanner, dans lesquelles le cartilage n’apparaît pas », insiste Anna Gounot. Or, l’arthrose reste une pathologie complexe, chaque patient pouvant présenter des singularités marquées. Par conséquent, toute information spécifique s’avère précieuse pour améliorer et individualiser les prédictions du modèle.

À cet effet, le robot de Ganymed Robotics est équipé d’une caméra 3D fournissant une reconstruction 3D de l’articulation sous la forme d’un nuage de points. Une information particulièrement utile pour le modèle. Ce robot étant en cours de développement, la start-up a procédé à une collecte de données en plaçant des caméras 3D lors de véritables interventions chirurgicales. Les images recueillies ont pu être utilisées par l’équipe de recherche, au même titre qu’une base de données synthétique générée par les chercheurs, à partir d’algorithmes existants.

Les SSM ont ainsi amélioré la précision de leurs prédictions de cartilage, les rendant plus spécifiques aux patients. Des résultats qu’Anna Gounot va chercher à approfondir, y compris à l’issue de sa thèse, à la faveur d’une embauche par Ganymed Robotics. Et s’ils ne concernent aujourd’hui que l’arthroplastie du genou, ils pourraient être transposés à d’autres chirurgies orthopédiques, notamment celle de l’épaule ou de la hanche.