Intelligence Artificielle dans l'Imagerie de l'Endométriose : Une Revue Exploratoire

L'endométriose est une maladie gynécologique chronique caractérisée par un tissu ressemblant à l'endomètre en dehors de l'utérus. Dans la pratique clinique, le diagnostic et la cartographie anatomique reposent fortement sur l'imagerie, mais les performances demeurent dépendantes de l'opérateur et de la modalité. L'intelligence artificielle (IA) a été de plus en plus appliquée à l'imagerie de l'endométriose. Nous avons réalisé une revue exploratoire guidée par les directives PRISMA-ScR des études primaires en apprentissage machine et apprentissage profond utilisant des images liées à l'endométriose. Cinq bases de données (MEDLINE, Embase, Scopus, IEEE Xplore et Google Scholar) ont été explorées de 2015 à 2025. Parmi 413 enregistrements, 32 études ont satisfait aux critères d'inclusion et la plupart étaient des investigations rétrospectives et monocentriques dans des cohorts en âge de procréer. L'échographie prédominait (50 %), suivie par l'imagerie laparoscopique (25 %) et l'IRM (22 %) ; l'endométriome ovarien et l'endométriose infiltrante profonde étaient les phénotypes les plus couramment modélisés. La classification était la tâche IA dominante (78 %), utilisant typiquement des réseaux de neurones convolutifs (souvent basés sur ResNet), tandis que la segmentation (31 %) et la détection d'objets (3 %) étaient moins explorées. Pratiquement toutes les études reposaient sur une validation interne (97 %), le plus souvent par des répartitions simples avec un reporting de performance axé sur l'exactitude et hétérogène. L'évaluation de la qualité des méthodes IA a identifié des lacunes méthodologiques fréquentes dans des domaines clés, y compris un reporting limité sur la séparation au niveau des patients, les protections contre les fuites, la calibration, et la disponibilité des données et du code. Dans l'ensemble, l'imagerie de l'endométriose rendue possible par l'IA évolue rapidement mais reste en phase précoce ; une validation multicentrique et prospective, un reporting standardisé, et des pipelines de détection-segmentation cliniquement exploitables sont nécessaires avant une intégration clinique de routine.