Développement d'un système d'aide au diagnostic intelligent pour la gynécologie

Abstract

Aujourd'hui, l'inégalité face au diagnostic prénatal est directement exacerbée par l'écart technologique qui sépare les structures de soins dans les milieux à ressources limitées. L'utilisation d'échographes obsolètes limite la détection d'anomalies fœtales, obligeant le clinicien à interpréter des images trop dégradées pour être fiables. Le remplacement des infrastructures étant fortement entravé par des contraintes budgétaires persistantes, l'exploration de solutions d'amélioration par l'intelligence artificielle représente la voie indispensable pour rétablir l'équité des soins. Face aux enjeux socio-économiques et au coût des équipements, cette recherche explore l'efficacité de la Super-Résolution par IA pour améliorer les échographies fœtales dégradées en milieux limités. Cette démarche vise à "enrichir" l'information visuelle existante, offrant ainsi une seconde vie au matériel obsolète et une meilleure équité de soins aux patientes. Nous avons mis à l'épreuve plusieurs architectures de ''Deep Learning'' afin d'en mesurer la robustesse et la pertinence diagnostique. Le cœur de la méthodologie réside dans une évaluation croisée : aux tests statistiques s'est ajoutée une expertise clinique approfondie. Les résultats valident la capacité de ces méthodes à augmenter la certitude diagnostique, offrant ainsi une perspective de performance équitable sans dépendre de la modernité du matériel