Les chercheurs développent une nouvelle application mobile pour aider à détecter l’asphyxie à la naissance

L’asphyxie à la naissance (BA) est une condition qui survient lorsque les nouveau-nés ne reçoivent pas suffisamment d’oxygène pendant l’accouchement, et c’est l’une des principales causes de décès néonatal. Les pays en développement, notamment en Afrique subsaharienne, connaissent les taux de mortalité des moins de cinq ans les plus élevés. Des chercheurs de l’Université Carnegie Mellon développent une nouvelle application mobile, appelée HumekaFL, pour détecter le BA.

L’étude est publiée sur le arXiv serveur de préimpression.

La détection précoce de l’AB et une intervention rapide peuvent faciliter le rétablissement complet des nourrissons souffrant d’asphyxie légère ou modérée. Une détection retardée entraîne une privation prolongée d’oxygène, entraînant des blessures permanentes pouvant affecter des organes tels que le cerveau, le cœur, les poumons, les reins et les intestins. HumekaFL enregistre les cris des nouveau-nés via une application pour smartphone et les transmet à un modèle d’apprentissage automatique pour détecter BA.

Ce n’est pas le premier logiciel conçu pour détecter BA, mais il cherche à résoudre certains des problèmes qui empêchent l’adoption généralisée d’autres applications. L’un des obstacles réside dans les problèmes de sécurité et de confidentialité. D’autres applications importantes de détection de BA utilisent des techniques d’apprentissage automatique centralisées qui introduisent des vulnérabilités en matière de confidentialité, car elles nécessitent l’exportation de données de santé sensibles vers un serveur central.

Contrairement à d’autres applications, HumekaFL utilise un type spécial d’apprentissage automatique appelé apprentissage fédéré (FL). Cette méthode décentralisée donne la priorité à la sécurité et à la confidentialité en distribuant la formation du modèle sur plusieurs clients (les clients sont des référentiels tels que des serveurs et des ordinateurs).

Par exemple, des données locales peuvent être collectées dans un hôpital. Les bébés qui y sont nés sont contrôlés pour BA en utilisant la version de cet hôpital du modèle HumekaFL. Ces données peuvent également être utilisées pour mettre à jour le modèle HumekaFL dans cet hôpital. Les modèles de tous les clients sont périodiquement regroupés et renvoyés afin qu’ils puissent apprendre les uns des autres et fonctionner de manière optimale. La distinction clé est que les données de santé des individus ne quittent jamais le client local, seuls les modèles le font. Cela rend les données moins sensibles à une violation à grande échelle.

HumekaFL répond également au manque de méthodes de détection BA conviviales qui ne nécessitent pas d’expertise préalable ni d’équipement spécial. Il existe des méthodes établies que les médecins peuvent utiliser pour diagnostiquer l’AB, mais elles peuvent nécessiter une formation et une expérience approfondies pour être précises. HumekaFL est une méthode de détection conviviale et précise qui fonctionne sur du matériel standard comme les smartphones. Cela pourrait être utile dans les zones sous-financées.

« Nous aimerions déployer l’apprentissage automatique d’une manière très simple à utiliser », a expliqué Carlee Joe-Wong, professeur de génie électrique et informatique qui a travaillé sur HumekaFL. « Nous ciblons les cliniques ou les hôpitaux sous-financés où il n’y a peut-être pas suffisamment de personnel formé pour utiliser pleinement toutes les techniques de pointe pour surveiller les bébés souffrant d’asphyxie à la naissance. »

Un autre obstacle est le manque de ressources informatiques. D’autres applications de détection BA utilisent des modèles qui nécessitent de grands ensembles de données et une puissance de traitement intensive, mais HumekaFL utilise des algorithmes de machines vectorielles de support ainsi que des ensembles de données plus petits pour entraîner leur modèle. Ces algorithmes diffèrent des autres méthodes d’apprentissage automatique car ils sont très efficaces pour apprendre à partir de petits ensembles de données de grande dimension.

Le développement de HumekaFL a été dirigé par des étudiants et des professeurs de l’Université Carnegie Mellon d’Afrique, où se trouve le Collège d’ingénierie de Kigali, au Rwanda. Joe-Wong, basée à Pittsburgh, a déclaré qu’elle appréciait la collaboration mondiale.

« J’ai essayé d’assumer davantage un rôle consultatif parce que l’idée venait d’eux. Une grande partie de cette architecture qui gère les problèmes de confidentialité et de contraintes de ressources était leur idée », a déclaré Joe-Wong. « Ils ont démontré qu’ils peuvent utiliser une partie de l’apprentissage automatique qu’ils ont appris dans leurs cours et l’appliquer à un problème réel qu’ils tentent de résoudre. »

Pour qu’HumekaFL soit pleinement efficace en Afrique, les chercheurs doivent mener davantage d’expériences utilisant les données de santé africaines. L’utilisation de ces données spécifiques contribuera à prévenir les biais et à améliorer les performances du modèle dans les communautés africaines que HumekaFL cherche à aider.

« Vous ne saurez jamais exactement quelles sont ces nuances ou quels sont exactement ces modèles spécifiques si vous ne collectez pas de données auprès de la population dans laquelle vous souhaitez réellement déployer ce modèle », a déclaré Joe-Wong. « Nous envisageons des partenariats avec des hôpitaux africains pour collecter davantage de données auprès de populations plus représentatives afin de réellement valider tous les détails du fonctionnement du modèle. »

HumekaFL a été présenté à l’événement COMPASS 2024 de l’Association for Computing Machinery. Les chercheurs comprennent Joe-Wong ; Assane Gueye, professeur agrégé à la CMU-Afrique et co-directeur du CyLab-Afrique et du Réseau Upanzi ; et les étudiantes de la CMU-Afrique Pamely Zantou, la Bienheureuse Guda, Bereket Retta et Gladys Inabeza.