Publié le 27 octobre 2025. Des chercheurs espagnols ont développé un système d’intelligence artificielle capable de détecter les signes radiologiques de tuberculose pulmonaire chez les enfants. Cet outil promet d’améliorer le diagnostic, notamment dans les zones rurales aux ressources limitées.
- Une nouvelle IA pour dépister la tuberculose pédiatrique sur des radiographies pulmonaires.
- L’outil combine radiographies frontales et latérales et s’adapte à l’âge des patients.
- Il vise à faciliter l’accès au diagnostic dans les régions défavorisées.
Une avancée majeure dans la lutte contre la tuberculose infantile. Des chercheurs de l’Université Polytechnique de Madrid (UPM) et du Centre de Recherche Biomédicale en Réseau de Bioingénierie, Biomatériaux et Nanomédecine (CIBER-BBN), en partenariat avec plusieurs institutions internationales, ont mis au point un système d’intelligence artificielle (IA) novateur. Son objectif : aider à identifier les indicateurs radiologiques de la tuberculose pulmonaire chez les enfants à partir de leurs radiographies thoraciques. Cette recherche, dont les conclusions sont publiées dans la revue Nature Communications, constitue la première étude à évaluer systématiquement l’apport des radiographies latérales et à comparer des modèles d’IA spécifiques à l’âge par rapport à des modèles plus généraux.
La tuberculose chez les enfants représente un défi diagnostique de taille. Les symptômes sont souvent non spécifiques, et les anomalies radiologiques peuvent être plus subtiles et variables que chez les adultes. Pour surmonter ces obstacles, le système développé par l’équipe intègre les radiographies thoraciques de face et, lorsque disponibles, les vues latérales. Optimisé pour une efficacité maximale, il a été entraîné et validé à l’aide de données issues de divers hôpitaux et contextes épidémiologiques, notamment au Mozambique, grâce à la collaboration du Centre de Recherche en Santé de Manhiça (CISM) et de l’Institut de Barcelone pour la Santé Mondiale (ISGlobal). Le Réseau Espagnol pour l’Étude de la Tuberculose Pédiatrique (pTBred) et le Centre de Recherche Biomédicale en Réseau pour les Maladies Infectieuses (CIBERINFEC), ainsi que l’Hôpital National pour Enfants de Washington DC, ont également contribué à ce projet.
« Nous avons conçu cet outil pour qu’il soit extrêmement efficace sans sacrifier la précision ni la performance, afin de pouvoir l’intégrer même dans des appareils mobiles. L’objectif est de rapprocher le diagnostic de la tuberculose des zones rurales à forte incidence de la maladie, là où les ressources et l’accès aux radiologues spécialisés sont très limités. »
Daniel Capellán Martín, chercheur à l’UPM et premier auteur de l’étude
L’un des aspects cruciaux de cette approche réside dans la stratégie d’apprentissage de l’IA. Juan José Gómez Valverde, co-auteur de l’étude et chercheur au CIBER-BBN, explique :
« Une pré-formation sur des données issues de patients adultes permet de bénéficier d’ensembles beaucoup plus larges et diversifiés. Le modèle apprend ainsi plus facilement des caractéristiques robustes, qui peuvent ensuite être adaptées au contexte pédiatrique. »
Juan José Gómez Valverde, chercheur CIBER-BBN et professeur à l’UPM
L’étude met en avant trois contributions majeures. Premièrement, elle démontre que la pré-formation des modèles d’IA sur de vastes collections de radiographies adultes améliore leurs performances une fois affinés avec des données pédiatriques. Deuxièmement, elle souligne l’utilité des radiographies latérales, qui fournissent des informations complémentaires particulièrement précieuses chez les nourrissons et les jeunes enfants, où la seule vue frontale peut s’avérer insuffisante. Troisièmement, les chercheurs ont constaté que les modèles conçus spécifiquement pour chaque groupe d’âge surpassent les modèles généraux, reflétant les différences dans le développement et la présentation clinique de la maladie selon l’âge.
« Les vues latérales complètent la vue frontale et sont particulièrement utiles chez les nourrissons et les jeunes enfants, car elles aident à identifier des anomalies qui pourraient passer inaperçues avec une seule projection disponible. »
Elisa López Varela, chercheuse à ISGlobal durant l’étude
Les implications de cette technologie pour la pratique clinique et la santé publique sont significatives. Begoña Santiago García, coordinatrice de pTBred, pédiatre à l’Hôpital Universitaire Général Gregorio Marañón de Madrid et chercheuse au CIBERINFEC, précise :
« Cette solution n’a pas vocation à remplacer le radiologue ou le médecin, mais plutôt à servir d’outil d’accompagnement. Elle peut aider à prioriser les examens, à orienter les décisions de dépistage et à faciliter la détection précoce dans les contextes aux ressources limitées. L’utilisation des vues latérales et l’adaptation par groupes d’âge pourraient augmenter la sensibilité du diagnostic chez les populations pédiatriques, en particulier chez les nourrissons et les jeunes enfants, où le diagnostic est plus complexe. »
Begoña Santiago García, coordinateur pTBred, pédiatre et chercheur CIBERINFEC
Au-delà des résultats quantitatifs, l’équipe a intégré des techniques d’IA explicable, générant des cartes visuelles montrant les zones de la radiographie ayant influencé chaque décision. Ces représentations facilitent l’examen clinique des prédictions et renforcent la confiance dans l’utilisation de cette assistance par IA.
Les auteurs soulignent la nécessité de validations cliniques supplémentaires et d’études de mise en œuvre dans des conditions réelles, notamment dans les centres manquant de ressources. Ces étapes permettront d’évaluer l’impact de l’outil sur le flux de travail, la précision diagnostique et son acceptation par les professionnels. Ils insistent également sur l’importance d’étudier l’intégration de ces systèmes avec la télémédecine et les programmes de dépistage dans les zones d’endémie, ainsi que leurs performances dans différents contextes de soins.
« Notre objectif est que cette technologie soit adaptée aux besoins locaux et mise en œuvre de manière responsable, en complément du travail clinique et en contribuant à améliorer l’accès au diagnostic pour les populations vulnérables. »
María Jesús Ledesma Carbayo, directrice technique des travaux, professeur à l’UPM et chercheuse au CIBER-BBN
Cette recherche a bénéficié du soutien d’un large réseau de pédiatres en Espagne et au Mozambique, ainsi que du financement du Ministère de la Science et de l’Innovation espagnol, de l’Institut de Santé Carlos III, de la Société Espagnole de Pneumologie et Chirurgie Thoracique (SEPAR), et de plusieurs projets européens (INNOVA4TB, ADVANCETB et STool4TB). Les auteurs remercient également la Société Respiratoire Européenne et tous les centres et chercheurs participants.
Référence de l’étude : Capellán-Martín, D., Juan J. Gómez-Valverde,…, Maria J. Ledesma-Carbayo et al. (2025). A multi-view deep learning framework for the detection of pediatric pulmonary tuberculosis-compatible chest radiographs. Nature Communications. https://doi.org/10.1038/s41467-025-64391-1