L’azoospermie se caractérise par l’absence totale de spermatozoïdes dans l’éjaculat et est considérée comme l’une des causes les plus complexes de l’infertilité masculine, rendant impossible la conception naturelle. Les causes de cette affection peuvent être liées aussi bien à une obstruction mécanique des voies déférentes qu’à des troubles profonds du processus même de la spermatogenèse dans le tissu testiculaire.
Dans le cadre de la prise en charge des couples présentant un tel diagnostic, les reproductiveurs et les andrologues ont souvent recours à une biopsie diagnostique ou thérapeutique du tissu testiculaire. L’objectif principal de cette intervention chirurgicale est de détecter et d’extraire des cellules germinales viables directement à partir des canaux déférents. Les spécialistes utilisent avec succès les spermatozoïdes ainsi prélevés dans le cadre de programmes d’aide à la procréation, notamment la FIV avec don d’ovocytes, lorsque le couple présente une infertilité d’origine mixte chez les deux partenaires. Le matériel histologique prélevé lors de la procédure est soumis à un examen microscopique obligatoire, au cours duquel l’état des canaux est traditionnellement évalué selon l’échelle de Jonsen, notée de 1 à 10 points.
L’introduction de l’intelligence artificielle dans la pratique histologique
L’échelle de Jonsen constitue une référence fiable en urologie clinique depuis plus de cinquante ans. Néanmoins, la procédure d’évaluation visuelle du biopsat reste extrêmement fastidieuse, monotone et mobilise beaucoup de temps de travail chez les pathologistes. Le médecin doit examiner successivement au microscope des dizaines de coupes des canaux déférents, calculer la proportion des couches cellulaires et déterminer la présence de formes matures de spermatides.
L’équipe de recherche s’est fixé pour objectif d’accélérer et de simplifier cette étape diagnostique complexe à l’aide d’algorithmes modernes de vision par ordinateur. Les scientifiques ont choisi la suite logicielle Google Automated Machine Learning (AutoML) Vision comme outil de développement. Le responsable du projet de recherche, Hideyuki Kobayashi, maître de conférences au département d’urologie de l’université japonaise de Toho, a souligné que le principal atout d’AutoML Vision réside dans son accessibilité. Ce logiciel permet aux professionnels de santé en exercice, qui n’ont absolument aucune expérience en programmation, de créer et de paramétrer des modèles d’apprentissage automatique.
Échelle de Jonsen et apprentissage du modèle
L’échelle de Jonsen originale comprend dix niveaux distincts, décrivant en détail le degré de préservation de la spermatogenèse. Afin d’optimiser le fonctionnement des algorithmes informatiques et d’accélérer la reconnaissance des structures, le Dr Kobayashi a proposé de regrouper ces dix scores en quatre grandes catégories. Le premier groupe regroupe les scores de 1 à 3, le deuxième couvre la fourchette de 4 à 5, le troisième englobe les valeurs de 6 à 7, et le quatrième rassemble les scores les plus élevés, de 8 à 10.
Cette approche a permis de réduire considérablement le nombre de classes du modèle informatique, de diminuer le risque d’erreurs dans les cas limites et de faciliter considérablement la classification automatique des microphotographies numériques. Ce faisant, la méthode a conservé son intérêt clinique essentiel, car cette classification distingue clairement l’atrophie sévère, l’arrêt précoce de la maturation cellulaire et la spermatogenèse intacte. Au cours de l’entraînement du système, une base de données impressionnante de 7 155 images histologiques en haute résolution a été téléchargée dans l’environnement cloud Cloud AutoML Vision. Lors des tests de validation, le réseau neuronal entraîné a démontré une précision de 80 % dans la détermination du profil morphologique des tissus examinés.
Perspectives d’application de l’apprentissage automatique en médecine
Les systèmes basés sur l’intelligence artificielle transforment progressivement divers domaines de la pratique médicale. Auparavant, les technologies d’apprentissage profond avaient déjà prouvé leur grande fiabilité dans le dépistage par mammographie numérique pour la détection précoce du cancer du sein, ainsi que dans l’analyse de tomodensitométries pulmonaires complexes à la recherche de lésions focales.
Malgré ces succès évidents, le déploiement à grande échelle de ces assistants numériques dans la pratique clinique quotidienne a jusqu’à présent été freiné par une grave pénurie de spécialistes en traitement des données et par le coût élevé du développement de solutions spécialisées. Les technologies de type AutoML sont susceptibles de changer radicalement la donne, en confiant directement aux médecins la responsabilité de l’apprentissage des modèles.
Comme l’a souligné le docteur Kobayashi, l’approche logicielle choisie s’adresse directement à la communauté médicale. Selon lui, il est tout à fait probable que, dans un avenir très proche, les médecins praticiens interagissent avec des classificateurs d’images médicales avec autant de naturel et de simplicité qu’ils ouvrent aujourd’hui les logiciels bureautiques habituels sur leur ordinateur de travail.
Foire aux questions
Qu’est-ce que l’échelle de Jonsen ?
Il s’agit d’un système d’évaluation semi-quantitative de l’état de la spermatogenèse dans les canalicules testiculaires, largement reconnu dans le monde de l’andrologie. Une note de 1 indique une absence totale d’épithélium dans les canaux, la note de 2 indique la présence exclusive de cellules de Sertoli, tandis que la note maximale de 10 confirme une spermatogenèse active et complète, avec une production régulière de spermatozoïdes matures.
Quelle précision l’intelligence artificielle a-t-elle démontrée lors de l’expérience menée ?
Lors de l’analyse d’un ensemble de référence composé de 7 155 microphotographies histologiques, l’algorithme développé sur la plateforme Google AutoML Vision a atteint une précision de reconnaissance de 80 %. Ce résultat est considéré comme excellent pour un tri automatique initial de biomatériel.
Pourquoi a-t-on décidé de diviser l’échelle en quatre groupes précisément ?
La répartition en quatre grandes fourchettes a permis de réduire la complexité de calcul de l’algorithme et de minimiser les erreurs de classification entre les notes voisines. Par ailleurs, cette division reflète parfaitement les stades cliniquement significatifs de la maturation des cellules germinales, dont le médecin a besoin pour choisir la stratégie thérapeutique à adopter.
Quel est le principal avantage de la plateforme Google AutoML Vision pour les cliniques ?
Le principal atout réside dans le concept de développement sans programmation. Les médecins n’ont pas besoin de faire appel à des équipes coûteuses de data scientists pour configurer les réseaux neuronaux, car le système leur permet de télécharger eux-mêmes des images, de les annoter et d’obtenir un outil de diagnostic prêt à l’emploi.
L’intelligence artificielle remplace-t-elle le travail du médecin pathologiste ?
Non, l’algorithme est conçu comme un outil d’aide destiné à alléger la charge de travail des spécialistes. L’intelligence artificielle se charge de l’examen primaire et routinier des coupes ainsi que du tri des micropréparations, permettant ainsi au médecin de se concentrer sur les cas cliniques atypiques et controversés.