Première mondiale de chirurgie cérébrale assistée par IA en direct : pourquoi le maintien du contrôle par les chirurgiens est le véritable test

L'opération est restée confidentielle jusqu'à fin août, le temps que l'équipe surveille la récupération du patient. Le patient, Rhys Hibbert, 48 ans, présentait une tumeur bénigne de l'hypophyse de 11 mm comprimant les nerfs optiques et dangereusement proche des artères carotides internes. La tumeur a été complètement retirée sans lésion vasculaire, et sa vision périphérique est revenue immédiatement.

C'est un résultat clinique impressionnant. Ce n'est pas encore la preuve que les machines peuvent naviguer en toute sécurité dans le cerveau.

Ce que cela établit, c'est un nouveau test pour l'IA médicale : savoir si un logiciel peut interpréter le champ opératoire en temps réel, plutôt que de simplement analyser des images capturées avant que le chirurgien ne commence.

Des scans au champ opératoire

Jusqu'à présent, une grande partie de l'utilisation pratique de l'IA en neurochirurgie reposait sur les IRM et les scanners préopératoires, notamment pour la segmentation, le diagnostic et la planification. Ces systèmes peuvent être très sophistiqués, mais ils opèrent sur une image relativement fixe du patient.

La chirurgie est différente.

Dans une opération endoscopique transsphénoïdale, le chirurgien atteint l'hypophyse par la cavité nasale et la base du crâne. La tumeur elle-même est cachée derrière l'os et la membrane. Une fois que les instruments pénètrent dans le champ opératoire, l'anatomie n'est plus simplement une structure tridimensionnelle attendant d'être identifiée. Les tissus peuvent bouger. Le sang peut masquer des repères. Les reflets, la fumée et les changements d'éclairage peuvent modifier ce que voit la caméra.

Un scan préopératoire ne peut pas se mettre à jour lorsque l'environnement opératoire change.

Le système de l'UCL a été conçu autour de ce problème. Développé au Centre Wellcome/EPSRC pour les sciences interventionnelles et chirurgicales de l'UCL et à l'Institut Hawkes, le logiciel a été entraîné à l'aide de centaines de vidéos annotées d'opérations de l'hypophyse. Des experts cliniques ont identifié les structures neurales et vasculaires image par image, donnant au modèle un ensemble de référence beaucoup plus riche que ce qu'un chirurgien individuel pourrait accumuler par expérience personnelle.

Pendant l'opération de Hibbert, le logiciel a analysé le flux endoscopique en direct sur un moniteur secondaire. Il a identifié les instruments chirurgicaux et les structures anatomiques critiques, les a colorés et a généré des « corridors de sécurité » dynamiques pour le chirurgien. Le système a également indiqué la position probable des nerfs optiques, des artères carotides et des vaisseaux plus petits.

La distinction importante est qu'il n'a pas opéré.

Le professeur Hani Marcus et M. Danyal Khan ont conservé le contrôle tout au long de la procédure. L'IA a été délibérément positionnée comme un expert supplémentaire offrant des conseils, et non comme un agent chirurgical autonome.

Cette distinction deviendra de plus en plus importante à mesure que ces systèmes s'amélioreront.

Le déficit d'expérience fait partie du problème

La chirurgie de l'hypophyse est déjà pratiquée couramment. Mais la routine ne signifie pas l'uniformité.

La base de référence indique un risque d'ablation incomplète de la tumeur de 25 à 50 %, tandis que le risque d'endommager un vaisseau sanguin majeur est estimé entre 0,5 et 2 %. Un neurochirurgien britannique n'effectue en moyenne que 10 à 20 opérations de ce type par an.

Une IA entraînée sur des centaines de procédures aborde le problème sous un angle différent. Elle peut retenir des schémas sur un volume d'expérience chirurgicale qu'aucun opérateur individuel ne peut accumuler personnellement.

Cela crée une possibilité intrigante. Au lieu de remplacer le jugement spécialisé, l'IA pourrait rendre disponible ailleurs une partie des connaissances concentrées dans les grands centres académiques.

Mais c'est là qu'apparaît le premier obstacle sérieux.

Un modèle entraîné à l'UCL n'est pas nécessairement un modèle qui fonctionnera de manière identique dans un autre hôpital. Différentes caméras, conditions d'éclairage, instruments et techniques opératoires peuvent modifier les données visuelles atteignant l'algorithme. C'est le problème familier du décalage de domaine, mais en chirurgie, il devient plus qu'un inconvénient technique.

Un système légèrement moins précis dans un hôpital régional ne produit pas simplement une image de moindre qualité. Il pourrait pointer le chirurgien vers la mauvaise partie de l'anatomie.

Par conséquent, étendre la technologie signifie étendre tout l'environnement numérique qui l'entoure : capacité de calcul, équipement d'imagerie compatible, qualité des données, surveillance et expertise clinique. Le NHS pourrait éventuellement devoir décider si la chirurgie assistée par IA est une mise à niveau technologique facultative ou une partie de l'infrastructure requise pour les procédures à haut risque.

Cela pourrait créer une nouvelle inégalité.

Les hôpitaux qui ne peuvent pas se permettre le matériel et les systèmes informatiques nécessaires pourraient se retrouver à opérer selon une norme de sécurité différente de celle des centres académiques bien financés.

Le nouveau risque chirurgical est la machine elle-même

Il y a une tentation évidente de décrire l'IA comme une paire d'yeux supplémentaire. Mais contrairement à un collègue humain, un algorithme peut échouer d'une manière difficile à reconnaître depuis l'intérieur de la salle d'opération.

Un modèle peut mal classer un vaisseau à cause du sang, de l'éblouissement ou d'un tissu inhabituel. Un corridor prétendument sûr pourrait chevaucher une structure cachée de la caméra. Une limite pourrait scintiller entre les images, distrayant le chirurgien précisément au moment où la concentration est la plus importante.

Ce ne sont pas les « hallucinations » textuelles associées aux grands modèles de langage. Ce sont des erreurs spatiales.

Cela rend la supervision humaine essentielle, mais la supervision humaine a sa propre faiblesse : le biais d'automatisation. Une fois qu'un système a démontré de fortes performances, les chirurgiens peuvent commencer à faire confiance à sa recommandation même lorsque leur propre jugement clinique indique autre chose.

L'opération de l'UCL a été conçue pour préserver la relation inverse. La superposition conseille ; le chirurgien décide.

Que cette hiérarchie puisse survivre à une adoption généralisée est une question plus difficile.

Il y a aussi un danger moins évident. Si les chirurgiens s'appuient de plus en plus sur des conseils spatiaux générés par machine, la formation pourrait progressivement changer. Les compétences rarement exercées pourraient s'affaiblir. Les futurs spécialistes pourraient devenir meilleurs pour interpréter les sorties de l'IA tout en devenant moins entraînés à construire eux-mêmes la même carte anatomique.

Ce serait un mauvais échange si le système échouait au mauvais moment.

La réglementation entre en territoire inconnu

Le problème réglementaire est tout aussi important que le problème clinique.

Les régulateurs médicaux ont traditionnellement évalué les logiciels selon des fonctions et des versions définies. L'IA peropératoire en temps réel introduit quelque chose de plus fluide : un système qui interprète en continu des informations visuelles changeantes tout en influençant les décisions pendant une opération.

La loi européenne sur l'IA place l'IA clinique à haut risque pertinente dans un cadre de gouvernance des données, de gestion des risques, de supervision humaine et de surveillance post-commercialisation, parallèlement aux exigences découlant de la réglementation des dispositifs médicaux. Au Royaume-Uni, la MHRA développe son approche à travers son programme de changement pour les logiciels et les dispositifs médicaux d'IA. La FDA américaine traite les systèmes comparables comme des logiciels en tant que dispositif médical, avec des mécanismes tels que les plans de contrôle des changements prédéterminés destinés à régir certaines modifications futures du logiciel.

Mais le problème central n'est pas simplement de savoir si un algorithme réussit un test réglementaire avant le déploiement.

C'est ce qui se passe lorsque l'algorithme change, que l'hôpital change, que les caméras changent ou que le patient diffère des données d'entraînement.

La question juridique est encore plus difficile. Si un système d'IA identifie incorrectement une artère et qu'un chirurgien suit ses conseils, la responsabilité ne peut pas être facilement attribuée à un seul acteur. L'hôpital possède l'environnement clinique. Le chirurgien contrôle l'opération. Le développeur a conçu le modèle. Le fabricant peut fournir le matériel sur lequel il fonctionne.

Les systèmes de faute médicale ne sont pas construits autour d'une telle chaîne de responsabilité partagée.

La percée est donc aussi un avertissement

Le modèle de financement derrière le projet de l'UCL indique où cette technologie pourrait aller ensuite. Le système combine la recherche universitaire, l'expertise clinique du NHS, le financement public du National Institute for Health and Care Research et l'investissement de Google.

Cette combinaison est importante car l'IA chirurgicale en temps réel n'est pas simplement une autre application médicale qui peut être installée comme un logiciel. Elle nécessite des données cliniques, une annotation spécialisée, une infrastructure informatique, un équipement compatible et des années de validation.

La prochaine étape sera des essais cliniques plus vastes, multicentriques, sous la supervision du NHS. C'est à ce moment que la technologie fera face à son véritable test.

Une opération réussie peut montrer que les conseils d'IA en direct sont possibles. Plusieurs hôpitaux devront montrer qu'elle reste fiable lorsque l'éclairage est différent, que les instruments sont différents, que le chirurgien est différent et que l'anatomie est moins coopérative.

Si elle réussit, la salle d'opération commencera à ressembler moins à un endroit où un chirurgien traduit un scan statique en action physique et plus à un environnement informatique continuellement mis à jour.