Publié le 13 octobre 2026 dans Nature Biomedical Engineering, un travail international montre qu’un modèle conçu pour analyser la position d’une sonde endotrachéale chez l’adulte peut être adapté aux nouveau-nés par apprentissage continu, sans regrouper toutes les radiographies dans une base centrale. Les performances progressent nettement dans 30 unités de soins intensifs néonataux, mais l’étude reste rétrospective et ne démontre pas encore un bénéfice clinique en situation réelle.[1]
Ce qui vient de se passer
Une équipe réunissant des chercheurs et des cliniciens de plusieurs continents a évalué l’adaptation d’un modèle de radiographie thoracique initialement développé pour des adultes. Sa tâche consiste à aider à localiser une sonde endotrachéale et à repérer certaines intubations trop profondes, une situation qui peut exposer le nouveau-né à des complications respiratoires.[1][2]
L’étude repose sur des radiographies issues de 30 unités de soins intensifs néonataux situées dans 20 pays et territoires. Chaque établissement a fourni 50 images, soit 1 500 radiographies au total. Les données n’ont pas été rassemblées dans un dépôt unique. Le modèle a été réentraîné successivement avec les données de chaque site.[1][2]
Le contexte justifie cette approche. Une analyse publiée dans JAMA Pediatrics a recensé 876 dispositifs médicaux utilisant l’IA ou le machine learning autorisés par la Food and Drug Administration américaine. Seulement 149, soit environ 17 %, étaient explicitement autorisés pour une population pédiatrique. Parmi ces 149 dispositifs, 28 seulement mentionnaient l’inclusion de patients pédiatriques dans leurs données de validation.[3]
Ce qui est réellement nouveau
L’utilisation d’un modèle adulte comme point de départ n’est pas nouvelle. Le problème est de l’adapter à une population dont l’anatomie, les dimensions corporelles, les pathologies et les conditions d’acquisition diffèrent profondément. Une radiographie néonatale n’est pas une version réduite d’une radiographie adulte.
L’apport de l’étude tient à la combinaison de deux choix. Le premier consiste à partir d’un modèle existant plutôt qu’à construire un système néonatal depuis zéro. Le second repose sur l’apprentissage continu : le modèle apprend successivement à partir de petits jeux de données conservés dans plusieurs hôpitaux.
Cette méthode répond à une contrainte concrète. Les services néonataux disposent rarement de milliers d’images annotées, et le transfert de données de santé entre pays soulève des difficultés juridiques, techniques et éthiques. L’apprentissage continu cherche donc à mutualiser l’expérience des établissements sans mutualiser directement leurs images.
MSc Data Management
Pilotez la gestion stratégique et opérationnelle de la donnée : acquisition, analyse, gouvernance. Titre RNCP niveau 7 (Bac+5).
Comment fonctionne l’apprentissage continu
Dans un entraînement centralisé classique, les données provenant de plusieurs hôpitaux sont copiées dans un environnement commun. Le modèle est ensuite entraîné sur cet ensemble. Ici, le processus est séquentiel : le modèle est ajusté sur les 50 radiographies d’un établissement, puis poursuit son apprentissage avec celles du site suivant.
- Le modèle adulte fournit une représentation initiale de la radiographie thoracique et de la sonde endotrachéale.
- Chaque unité néonatale apporte un petit ensemble local d’images annotées.
- Les paramètres du modèle sont mis à jour successivement, tandis que les radiographies restent dans leur établissement d’origine.
- Le système final est évalué dans chacun des 30 sites pour mesurer sa capacité à s’adapter à des contextes différents.
Cette organisation limite le besoin de centraliser les images, mais elle ne suffit pas à garantir une confidentialité absolue. Les paramètres et les mises à jour d’un modèle peuvent eux-mêmes divulguer des informations s’ils sont mal protégés. La sécurité dépend donc aussi du protocole de transmission, du contrôle des accès, de l’audit des mises à jour et des mécanismes employés contre les attaques visant les modèles.
Pourquoi un modèle adulte ne se généralise pas automatiquement
La généralisation désigne la capacité d’un modèle à rester fiable sur des données différentes de celles utilisées pendant son entraînement. En médecine, cette capacité peut se dégrader lorsque l’âge des patients, la prévalence des pathologies, les appareils ou les pratiques d’un établissement changent.
Une analyse publiée en 2026 dans Nature Health a étudié 203 jeux publics d’imagerie médicale. L’âge des patients était absent dans un tiers des jeux examinés et les enfants représentaient moins de 2 % des patients lorsque cette information était disponible. De plus, 95,6 % des patients pédiatriques recensés provenaient des États-Unis. Cette concentration limite la représentation des anatomies, des pratiques et des équipements rencontrés dans d’autres régions.[5]
Les nouveau-nés constituent un cas particulièrement exigeant. Leur petite taille modifie les repères anatomiques. Les prématurés peuvent présenter des situations cliniques spécifiques, tandis que les appareils de radiographie et les protocoles varient entre établissements. Une performance moyenne élevée chez l’adulte ne renseigne donc pas suffisamment sur la fiabilité chez ces patients.
Ce que les résultats permettent réellement d’affirmer
Le modèle adapté par apprentissage continu a obtenu une erreur moyenne de localisation des repères anatomiques de 0,67 cm. Cette erreur atteignait 1,29 cm avec un ajustement effectué séparément dans chaque hôpital et 4,30 cm lorsque le modèle adulte était utilisé sans adaptation. L’approche continue a réduit l’erreur dans 29 sites sur 30 et amélioré la détection des intubations profondes dans 27 sites sur 30.[1][2]
| Évaluation | Résultat publié | Lecture prudente |
|---|---|---|
| Modèle adulte sans adaptation | 4,30 cm | Écart important qui illustre la faible transférabilité directe vers les nouveau-nés. |
| Ajustement propre à chaque hôpital | 1,29 cm | Amélioration locale, mais chaque établissement reste limité à ses 50 images. |
| Apprentissage continu | 0,67 cm | Meilleur résultat moyen du protocole, sans démonstration prospective en pratique clinique. |
| Sites améliorés | 29 sur 30 | La progression est largement distribuée, mais elle n’est pas uniforme. |
| Détection des intubations profondes | 27 sites sur 30 | Le gain porte sur une tâche ciblée et ne valide pas toute l’interprétation radiographique néonatale. |
Ces chiffres établissent une amélioration technique sur les données de l’étude. Ils ne démontrent pas encore que le système réduit les erreurs d’intubation, accélère la prise en charge ou améliore l’état de santé des nouveau-nés. L’étude est rétrospective et ne mesure pas l’effet du modèle sur les décisions des cliniciens en temps réel.
Les enjeux de responsabilité
La première exigence concerne la validation locale. Un modèle peut bien fonctionner dans la majorité des établissements tout en restant insuffisant dans un site particulier. Avant tout déploiement, chaque hôpital devrait vérifier la performance sur ses appareils, ses protocoles d’imagerie et sa population.
Le deuxième enjeu tient à l’évolution du modèle. Un système entraîné successivement peut apprendre de nouveaux contextes tout en perdant une partie de ses performances antérieures, phénomène souvent appelé oubli catastrophique. Une gouvernance sérieuse doit donc suivre les performances après chaque mise à jour, conserver des versions auditables et prévoir un retour à une version antérieure en cas de dégradation.
La protection des données ne doit pas être réduite à leur emplacement. Le fait que les radiographies ne quittent pas l’hôpital diminue certains risques, mais la circulation du modèle crée d’autres responsabilités : identification des acteurs autorisés à le modifier, sécurisation des échanges, traçabilité des contributions et vérification de l’absence de fuite d’information.
Enfin, le modèle intervient dans un contexte où les patients ne peuvent pas consentir eux-mêmes. Les représentants légaux doivent recevoir une information compréhensible, tandis que les établissements doivent justifier l’usage des données et préserver la responsabilité du radiologue, du néonatologiste et de l’équipe soignante. Dans l’Union européenne, une IA intégrée à un dispositif médical peut relever du régime des systèmes à haut risque lorsque les conditions de l’AI Act sont réunies.[6]
Ce qu’il faudra observer maintenant
La prochaine étape sera prospective. Il faudra mesurer le fonctionnement du système pendant les soins, avec des images acquises au fil de l’activité, des décisions prises sous contrainte de temps et une diversité complète de situations cliniques. Les critères utiles dépasseront alors l’erreur de localisation : taux d’alertes pertinentes, délai de correction, complications évitées, charge pour les équipes et incidents liés au modèle.
Il faudra également étudier la stabilité de l’apprentissage continu. L’ordre dans lequel les établissements participent, la qualité des annotations et les différences entre appareils peuvent influencer le modèle final. Une méthode collaborative ne devient équitable que si elle améliore les performances dans les contextes les moins représentés sans dégrader celles déjà obtenues ailleurs.
Cette étude apporte donc une réponse partielle mais solide à la question posée. Oui, un modèle adulte peut être adapté à la néonatologie sans centraliser toutes les images, du moins pour une tâche radiographique ciblée et dans une évaluation rétrospective. La portée clinique de cette stratégie dépendra maintenant de sa validation prospective, de sa sécurité et de la capacité des établissements à gouverner un modèle qui continue d’évoluer.
Pour aller plus loin
Pour approfondir les enjeux de généralisation, de supervision clinique et de gouvernance des données médicales , retrouvez ces analyses publiées sur le blog aivancity.
Sources
[1] Rao, V. M., Chen, E., Saenz, A. et al. (2026). Repurposing adult AI radiograph models for neonatal care through continual learning: an international multicentre study. Nature Biomedical Engineering. Publié le 13 octobre 2026. Consulter l’étude
[2] National Library of Medicine. PubMed, notice PMID 42869977. Consultée le 14 octobre 2026. Consulter la notice
[3] Brewster, R. C. L., Nagy, M., Wunnava, S. et Bourgeois, F. T. (2025). US FDA Approval of Pediatric Artificial Intelligence and Machine Learning-Enabled Medical Devices. JAMA Pediatrics, 179(2), 212-214. Consulter la publication
[4] Shin, H. J., Son, N. H., Kim, M. J. et Kim, E. K. (2022). Diagnostic performance of artificial intelligence approved for adults for the interpretation of pediatric chest radiographs. Scientific Reports, 12, 10215. Consulter l’étude
[5] Hua, S. B. Z., Heller, N., He, P. et al. (2026). Underrepresentation of children in public medical imaging datasets. Nature Health, 1, 888-897. Consulter l’étude
[6] Commission européenne. (2026). Artificial Intelligence in Health. Consulté le 14 octobre 2026. Consulter la source

