SchistoTrackNet : un réseau de neurones lit l'échographie du foie pour détecter la fibrose de la bilharziose (medRxiv, 2026)

Déposé le 2 juin 2026 sur medRxiv, ce preprint d'une équipe d'Oxford et du ministère de la Santé ougandais entraîne un réseau de neurones, SchistoTrackNet, à lire des échographies du foie pour repérer la fibrose périportale provoquée par la schistosomiase, une maladie parasitaire négligée. Sur 3 710 images de la cohorte rurale SchistoTrack en Ouganda, le modèle classe correctement six motifs de fibrose dans 82,2 % des cas et s'accorde davantage avec l'échographiste qui a réalisé l'examen (kappa de Cohen 0,77) qu'un second échographiste relisant la même image à l'aveugle (0,54). Le sujet est important, la méthode soignée et la séparation des patients entre entraînement et test évite une erreur classique. Mais la vérité-terrain reste l'avis subjectif d'un seul lecteur humain — sans confirmation histologique —, les données proviennent d'un unique pays et d'un seul type d'échographe, et la fibrose la plus avancée, la plus dangereuse, n'est repérée qu'une fois sur deux.

Le contexte

La schistosomiase (ou bilharziose) est une infection causée par un ver parasite d'eau douce ; plus de 700 millions de personnes y sont exposées en Afrique subsaharienne. Dans sa forme intestinale, due au parasite Schistosoma mansoni, les œufs pondus dans les veines de l'abdomen sont charriés vers le foie, où la réaction immunitaire chronique peut entraîner une fibrose périportale : un épaississement cicatriciel des tissus autour des vaisseaux du foie, qui en désorganise la circulation et peut, à terme, provoquer des hémorragies digestives mortelles. Cette fibrose, longtemps sous-estimée, est une cause majeure de morbidité hépatique sur le continent.

L'outil de diagnostic de référence est l'échographie portable (POCUS), peu coûteuse et transportable jusque dans les villages. Le standard de lecture est le protocole de Niamey, publié par l'OMS en 2000 : il décrit une série de motifs d'images, désignés par des lettres de A à F, des premières stries fibreuses (motifs B) jusqu'aux vaisseaux obstrués des stades sévères (motifs E et F). Le problème, soulignent les auteurs, est que ce protocole « exige une expertise considérable et l'exposition à de nombreux cas », alors que les pays les plus touchés manquent justement de personnel formé à l'échographie. D'où l'idée d'un assistant logiciel capable de reconnaître ces motifs — un terrain encore presque vierge : seules deux études antérieures existent, dont l'une entraînée sur à peine 160 images.

La méthode

Le travail, signé par Eloise Ockenden, Goylette F. Chami (Nuffield Department of Population Health, Oxford) et des co-auteurs du ministère de la Santé ougandais, s'appuie sur la cohorte SchistoTrack : une étude prospective de terrain menée dans trois districts ruraux d'Ouganda (Pakwach, Buliisa et Mayuge). Les images ont été acquises par quatre échographistes expérimentés sur des tablettes équipées de sondes Philips. Le jeu de données réunit 3 710 images de motifs de fibrose provenant de 1 433 participants, complétées par 400 images de foies sans fibrose (des images extraites de vidéos chez 100 participants sains) pour former une classe « foie normal ».

La vérité-terrain — l'étiquette que le modèle doit apprendre à reproduire — est le motif attribué par l'échographiste au moment de l'examen, en suivant le protocole de Niamey. Les huit motifs d'origine ont été regroupés en six classes : B (fibroses débutantes, pas nécessairement bilharziennes), C1, C2, D, le couple E/F (les plus sévères) et le foie sain. C'est donc une tâche de classification multi-classes du degré de fibrose, pas un simple « malade / pas malade ».

Côté modèle, les auteurs comparent cinq réseaux. SchistoTrackNet est un réseau de convolution (un CNN, famille de réseaux spécialisés dans l'analyse d'images) d'architecture VGG-16, initialisé non pas au hasard mais avec les poids de PULSENet, un encodeur pré-entraîné à reconnaître des échographies fœtales — l'idée étant de partir d'un réseau qui « connaît déjà » la texture si particulière de l'échographie avant de le spécialiser sur le foie. Il est entraîné par apprentissage contrastif supervisé, une technique qui apprend au réseau à rapprocher les images d'un même motif et à éloigner celles de motifs différents. Les concurrents sont trois Vision Transformers (ViT), une architecture plus récente qui découpe l'image en vignettes et les met en relation. Le découpage entraînement/test est de 90/10 avec validation croisée en dix plis, et — point crucial — il est fait par participant : aucune image d'un même patient ne se retrouve à la fois dans l'entraînement et dans le test, ce qui ferme la porte à la fuite de données (data leakage).

Les résultats

Sur le jeu de test, SchistoTrackNet obtient la meilleure exactitude, 82,2 %, une exactitude équilibrée de 81,2 % et un score F1 de 0,82 (le F1 est la moyenne harmonique de la précision et du rappel). Son accord avec l'échographiste de terrain, mesuré par le kappa de Cohen — un indice qui vaut 1 pour un accord parfait et 0 pour un accord dû au seul hasard —, atteint 0,77. La spécificité dépasse 90 % pour tous les motifs sauf un (89,7 % pour le C2), et la sensibilité va de 86 % environ pour les motifs intermédiaires jusqu'à 97,5 % pour le foie sain.

Le résultat le plus parlant est la comparaison avec un second échographiste humain, qui relisait les mêmes images à l'aveugle quelques mois plus tard. L'accord entre deux experts humains n'était que de 0,54 — et tombait à 46 % pour les motifs B les plus discrets. Autrement dit, sur cette tâche, le modèle colle plus fidèlement au diagnostic d'origine que ne le fait un autre spécialiste : un argument fort en faveur d'un usage comme « second lecteur » automatique.

Traduction clinique : ces chiffres flatteurs cachent un point dur. Sur le motif E/F, le stade le plus avancé — celui qui menace réellement le pronostic vital, associé aux varices œsophagiennes —, la sensibilité du modèle n'est que de 57,9 %. Concrètement, sur 100 patients porteurs de la fibrose la plus sévère, le modèle en manquerait environ 42. Pour les stades intermédiaires (motif D), la sensibilité dépasse 90 % avec une valeur prédictive positive de 0,89, ce qui est solide. Le modèle est donc bon pour trier le gros du flux, mais le moins fiable précisément là où l'erreur coûte le plus cher.

Ce qui est bien

Une maladie négligée, traitée avec sérieux. La schistosomiase touche des centaines de millions de personnes parmi les plus pauvres, et n'attire qu'une fraction infime de la recherche en IA médicale. Construire et exploiter ce que les auteurs présentent comme le plus grand jeu de données d'imagerie sur la morbidité bilharzienne en Afrique subsaharienne, à partir d'une cohorte de terrain réelle plutôt que d'images de laboratoire, est en soi une contribution utile.

Une séparation des données à l'épreuve de la fuite. Répartir les images par participant, et non au hasard, garantit qu'aucun patient ne « fuit » de l'entraînement vers le test. C'est l'hygiène méthodologique de base, mais elle est si souvent négligée dans la littérature IA-santé — où des AUC spectaculaires s'effondrent dès qu'on contrôle ce point — que son respect mérite d'être salué.

Une honnêteté sur la subjectivité humaine. Plutôt que de présenter l'échographiste comme une vérité absolue, les auteurs mesurent l'accord entre deux experts (kappa 0,54) et l'affichent. Cela recadre le problème : il ne s'agit pas d'égaler un étalon-or parfait, mais d'apporter une lecture reproductible là où même les spécialistes divergent. La cohorte est par ailleurs inclusive — pas d'exclusion des foies gras ou des examens dégradés par les gaz intestinaux —, ce qui rend l'évaluation plus réaliste.

Ce qui est moins bien

Une vérité-terrain fragile (mode d'échec : le comparateur biaisé). Le modèle apprend à reproduire le jugement d'un seul échographiste, sans aucune confirmation par biopsie ou par un autre examen indépendant. Or ce jugement humain est lui-même incertain, comme le montre le kappa inter-lecteurs de 0,54. « Mieux s'accorder avec le premier lecteur qu'un second lecteur » peut donc tout aussi bien signifier que le modèle a appris les habitudes et les biais de l'opérateur d'origine, et non la biologie de la fibrose.

Un soupçon de raccourci, et une classe « saine » trop facile (modes d'échec : shortcut learning et métrique trompeuse). Les confusions du modèle se concentrent entre motifs partageant la même vue échographique (B, C2, E/F), ce qui, de l'aveu des auteurs, « pourrait indiquer que le modèle apprend la vue transversale du foie plutôt que la sévérité » de l'atteinte — un cas d'école de shortcut learning, où le réseau s'accroche à un indice parasite. Les cartes d'activation Grad-CAM confirment le risque : le modèle s'allume parfois sur le diaphragme ou sur des interférences gazeuses, pas sur la lésion. De plus, la classe « foie sain » est faite d'images vidéo d'une nature différente des autres ; les auteurs reconnaissent que cela rend la distinction artificiellement facile et gonfle probablement l'exactitude globale.

Aucune validation externe, et une reproductibilité partielle (modes d'échec : biais de population et reproductibilité). Toutes les performances sont mesurées sur un seul pays, avec un seul type d'échographe (Philips) et les mêmes opérateurs. Rien ne garantit que le modèle tienne sur un appareil portable bas de gamme ou dans un autre contexte — les auteurs le reconnaissent et en font une priorité de travaux futurs. Le code est fourni en matériel supplémentaire, mais les images ne sont pas partageables (protection des données), aucun poids de modèle n'est publié, et certaines valeurs prédictives, calculées sans seuil de sensibilité fixe, sont « peut-être surestimées » de l'aveu même des auteurs. Enfin, il s'agit d'une analyse rétrospective d'images déjà collectées, sans essai clinique prospectif.

Ce que ça change

Pour la communauté de recherche, le papier pose un jalon : il établit un jeu de données et une base de comparaison sérieux pour une maladie quasi absente du paysage de l'IA médicale, et montre qu'un encodeur pré-entraîné sur l'échographie fœtale peut être recyclé vers le foie. La piste à creuser est clairement tracée — validation sur d'autres pays et d'autres appareils, et surtout ancrage de la vérité-terrain sur autre chose qu'un lecteur unique.

Pour les cliniciens, rien ne change aujourd'hui dans la pratique : c'est un preprint non encore relu par les pairs, sans validation externe ni essai prospectif. L'idée d'un « second lecteur » numérique, capable d'apporter une cohérence là où deux experts ne s'accordent qu'à moitié, est néanmoins crédible et mérite d'être suivie — à condition de garder en tête que le modèle est le plus faible sur les formes les plus graves, là où l'on a le plus besoin de lui.

Pour les patients et le grand public, l'enseignement est nuancé. Mettre de l'IA au service d'une maladie de la pauvreté, sur un appareil aussi simple qu'une échographie de poche, est exactement le genre d'application à fort impact potentiel pour des systèmes de santé sous-dotés. Mais « 82 % d'exactitude » ne veut pas dire « prêt à l'emploi » : entre une démonstration prometteuse sur une cohorte d'un pays et un outil déployable en routine, il reste les étapes — décisives — de la validation sur le terrain réel.

Pour aller plus loin

Le preprint complet est disponible sur medRxiv (DOI 10.64898/2026.06.01.26354609), déposé le 2 juin 2026 sous licence CC BY 4.0, par une équipe du Nuffield Department of Population Health (Université d'Oxford) et de la Division de lutte contre les maladies à transmission vectorielle et négligées du ministère de la Santé ougandais. Pour le cadre de lecture échographique de la fibrose, le protocole de Niamey (OMS, 2000) reste la référence ; pour la maladie elle-même, les fiches de l'Organisation mondiale de la santé sur la schistosomiase offrent un point d'entrée fiable.