Apprentissage automatique pour améliorer l'évaluation des mouvements généraux des nouveau-nés – MAGMA

L’étude AGMA (IDRCB 2020-A03335-34) a été approuvée par le Comité de Protection des Personnes – Sud-Est II en février 2021, et la collecte des données (vidéos) auprès des enfants prématurés a été menée conformément aux normes éthiques internationales et à la Déclaration d'Helsinki.

Les inclusions des bébés enregistrés en vidéo et l’étape de programmation des algorithmes de deep-learning sont finalisées et ont été publiées en plusieurs étapes.

- L’étude MAGMA EXPLORER visant à développer une méthode d’analyse automatisée par intelligence artificielle de ces mouvements généraux produits dès la naissance a été publiée (cf. AGMA-PESS).

AGMA-PESS: a deep learning-based infant pose estimator and sequence selector software for general movement assessment. Soualmi A, Alata O, Ducottet C, Petitjean-Robert A, Plat A, Patural H, Giraud A. Front Pediatr. 2024 Dec 18;12:1465632. doi: 10.3389/fped.2024.1465632. eCollection 2024. PMID: 39744216

- L’étude MAGMA PROGNOSIS visant à modéliser les corrélations entre les caractéristiques de ces mouvements généraux à la naissance (complexité, fluidité, variabilité) et leurs données évolutives à deux ans (échelle BAYLEY-4) a été publié en 2026 avec 1 article qui concerne l’utilisation de l’IA pour définir la complexité des mouvements à partir de séquences filmées par une caméra tridimensionnelle.

3D machine learning-based complexity variability and fluidity quantification of preterm and writhing general movements. Soualmi A, Alata O, Ducottet C, Patural H, Giraud A. Comput Biol Med. 2026 Jun 25;213:111815. doi: 10.1016/j.compbiomed.2026.111815.

Le projet MAGMA financé par l’ANR-SAPS-RA-ai 2023, est une approche inédite de prise en charge des nouveau-nés à haut risque neurodéveloppemental.

L'évaluation des mouvements généraux (GMA) est une méthode fiable et non invasive de détection précoce des troubles neurodéveloppementaux chez le nourrisson, fondée sur l'analyse qualitative de trois paramètres clés : la complexité, la variabilité et la fluidité. Les approches automatisées actuelles reposent principalement sur des indices composites dérivés de données bidimensionnelles, ce qui limite l'évaluation spécifique de chaque paramètre et ne permet pas d'exploiter pleinement les informations cinématiques tridimensionnelles. Cette étude comble trois lacunes majeures dans la recherche sur l'automatisation de la GMA : (1) l'absence de jeux de données accessibles au public concernant les nourrissons prématurés et les mouvements de type « writhing » (mouvements de torsion), (2) le besoin de méthodes de quantification spécifiques à chaque paramètre et alignées sur les critères d'évaluation clinique, et (3) l'exploration encore limitée des approches d'apprentissage profond pour l'analyse de données squelettiques en 3D. Nous présentons le jeu de données AGMA, qui comprend 264 trajectoires de mouvement tridimensionnelles issues de 126 nourrissons prématurés (nés avant 33 semaines d'âge gestationnel), accompagnées d'annotations d'experts pour la complexité, la variabilité et la fluidité. Nous proposons de nouvelles caractéristiques (« features ») conçues manuellement pour quantifier individuellement chaque paramètre de la GMA ; l'utilisation de classifieurs de type forêt aléatoire (Random Forest) permet d'atteindre des valeurs d'aire sous la courbe (AUC) de 0,75, 0,77 et 0,86 pour la classification de la complexité, de la variabilité et de la fluidité, respectivement. Il convient de noter que l'entropie spectrale s'est révélée être une caractéristique hautement discriminante pour l'évaluation de la fluidité (AUC = 0,86, rappel = 0,83), marquant ainsi la première application de cette mesure dans le contexte de la GMA. Nous évaluons également des réseaux de neurones à convolution sur graphes (STGCN et DeGCN) pour la classification des mouvements, bien que leurs performances aient été limitées par la taille du jeu de données. Le jeu de données AGMA, rendu public et comprenant 264 trajectoires issues de 126 nourrissons, associé à nos méthodes de classification spécifiques aux paramètres, établit une référence reproductible pour les futures recherches sur l'automatisation de la GMA et les études de validation clinique.

Le projet MAGMA financé par l’ANR-SAPS-RA-ai 2023, est une approche inédite de prise en charge des nouveau-nés à haut risque neurodéveloppemental. Le programme MAGMA, a permis de proposer la première méthode de référence internationale pour l’aide au diagnostic ultra précoce d'anomalie du développement moteur de l’enfant à haut risque neurodéveloppemental.

Publication principale : Soualmi A, Alata O, Ducottet C, Patural H, Giraud A. 3D machine learning-based complexity variability and fluidity quantification of preterm and writhing general movements. Computers in Biology and Medicine. 2026;213:111815. DOI: 10.1016/j.compbiomed.2026.111815. Le projet a également conduit à la diffusion publique du dataset AGMA.

Dès la naissance, le mouvement du bébé dans son ensemble et en particulier de chaque segment (bras, jambes, tronc) porte des informations essentielles dont l’expression dépend de l’intégrité neuro-anatomique et fonctionnelle cérébrale du bébé. Il a pourtant été négligé comme marqueur précoce prédictif du développement ultérieur principalement à cause de trois éléments : une absence de larges banques d’enregistrements intégrant des vidéos 3D permettant une analyse du mouvement de l’individu dans les 3 plans de l’espace, des outils d’analyse inadaptés, et le déficit d’interactions entre le monde médical et celui des scientifiques du traitement du signal et de l’intelligence artificielle. Nous pouvons lever ces verrous grâce à la synergie de deux équipes de l’Université Jean Monnet de Saint-Etienne travaillant déjà en collaboration et d’une association de soutien à la recherche pédiatrique.
Les mouvements généraux représentent une activité motrice spontanée survenant chez le fœtus à partir de neuf semaines d'aménorrhée (SA) et se poursuivant après la naissance jusqu'à l'apparition de mouvements contrôlés, vers quatre mois d'âge corrigé. L’analyse des mouvements généraux (ou « General Movement Assessment » (GMA)) est une évaluation validée de la maturation cérébrale principalement basée sur l'analyse filmée qualitative de la complexité, de la variabilité et de la fluidité des mouvements généraux. Fiable et reproductible, cette méthode observationnelle est à même d'identifier de manière très précoce, c’est-à-dire avant la sortie d’hospitalisation pour les enfants prématurés, les enfants qui sont à risque de trajectoires neurodéveloppementales anormales.
L'identification d'un tel risque est essentielle pour initier le plus précocement possible une intervention personnalisée (psychomotricité, kinésithérapie motrice, soins posturaux…) visant à améliorer le développement moteur et cognitif de ces enfants. Cependant l’analyse des GMA est très chronophage car elle nécessite un visionnage de longues séquences filmées du bébé pour sélectionner les paramètres moteurs d’intérêt. Cette analyse nécessite également un apprentissage important de la part du clinicien pour que les critères qualitatifs de ces mouvements à haute valeur pronostique soient pleinement exploités. Tous ces éléments limitent l’utilisation de l’évaluation des mouvements généraux en pratique courante au sein des unités de néonatologie.
En nous appuyant sur un consortium de chercheurs stéphanois issues de deux équipes de recherche labélisées de l’Université Jean Monnet de Saint-Etienne (Lab. SAINBIOSE et Lab. Hubert CURIEN) et de l’Association ADERPS (loi 1901) hébergée au CHU de Saint-Etienne dont l’objet est d’œuvrer dans la recherche pédiatrique et le suivi neurodéveloppemental des enfants vulnérables, nous proposons de concevoir un outil pronostique précoce du développement de l’enfant prématuré, basé sur l’automatisation de l’analyse des mouvements généraux par apprentissage profond.

Deux étapes sont programmées pour atteindre cet objectif : l’étude MAGMA EXPLORER et l’étude MAGMA PROGNOSIS-0-2.
- L’étude MAGMA EXPLORER développera une méthode d’analyse automatisée par intelligence artificielle de ces mouvements généraux produits dès la naissance.
- L’étude MAGMA PROGNOSIS 0-2 modélisera les corrélations entre les caractéristiques de ces mouvements généraux à la naissance (complexité, fluidité, variabilité) et leurs données évolutives à deux ans (échelle BAYLEY-4)

Par une approche inédite de prise en charge des nouveau-nés à haut risque neuro-développemental, le projet MAGMA ambitionne de proposer la première méthode de référence internationale pour l’aide au pronostic du développement ultra-précoce de l’enfant à haut risque neuro-développemental.