Assistance opératoire par simulateurs chirurgicaux et intelligence artificielle

Surgical assistance with simulators and artificial intelligence

• Auteur / Autrice : Maxime Faure
• Direction : Gwenolé Quellec
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 04/06/2025
• Etablissement(s) : Université de Brest (2025-....)
• Ecole(s) doctorale(s) : École doctorale Sciences de la Vie et de la Santé (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest ; 2012-....)
• Jury : Président / Présidente : Béatrice Cochener
• Jury : Examinateurs / Examinatrices : Gwenolé Quellec, Béatrice Cochener, Pierre Jannin, Caroline Essert
• Jury : Rapporteurs / Rapporteuses : Pierre Jannin, Caroline Essert

Mots clés

Mots clés contrôlés

Apprentissage profond

Intelligence artificielle en médecine

Cataracte (maladie) -- Chirurgie

Mots clés libres

Chirurgie de la cataracte

Simulateurs de chirurgie

Apprentissage profond

Anticipation des erreurs chirurgicales

Adaptation de domaine

Cataract surgery

Surgical simulators

Deep learning

Surgical error anticipation

Domain adaptation

Résumé

La chirurgie de la cataracte est le seul traitement curatif de cette maladie et constitue l’intervention chirurgicale la plus courante en ophtalmologie. Face au vieillissement de la population, la demande en chirurgiens qualifiés augmente, nécessitant des solutions pour améliorer la formation et l’intégration des ophtalmologistes. Un mentor numérique capable de détecter, voire d’anticiper les erreurs chirurgicales en temps réel pourrait constituer une aide précieuse pour accompagner les chirurgiens peu expérimentés. Cependant, la prédiction des erreurs chirurgicales reste un défi, principalement en raison du manque de données annotées incluant des erreurs. Cette thèse explore l’utilisation d’un simulateur chirurgical, utilisé pour la formation initiale des chirurgiens, pour entrainer des modèles d’apprentissage profond capables de prédire les évaluations du simulateur et d’identifier les erreurs chirurgicales à partir de données cinématiques et vidéo, en tirant parti des erreurs présentes dans les données du simulateur. Deux modules ont été étudiés : la navigation (réduction des tremblements) et le capsulorhexis (étape cruciale de la chirurgie). Les résultats obtenus sont encourageants et ouvrent la voie à l’anticipation des erreurs chirurgicales. Afin de valider ces approches dans un contexte clinique réel, un transfert de connaissances entre chirurgie simulée et réelle a été exploré via une adaptation de domaine non supervisée. Une troisième base de données de capsulorhexis, issus de la chirurgie réelle, a ainsi été rassemblée spécialement pour cette étude. Ce travail constitue la première initiative d’anticipation des erreurs chirurgicales dans la chirurgie de la cataracte.

Cataract surgery is the only curative treatment for this disease and the most common surgical procedure in ophthalmology. With an aging population, the demand for skilled surgeons is increasing, requiring solutions to enhance the training and integration of future ophthalmologists. A digital mentor capable of detecting, or even anticipating, surgical errors in real-time could be a valuable aid in supporting less experienced surgeons. However, predicting surgical errors remains a challenge, mainly due to the lack of annotated data with surgical errors. This thesis explores the use of a surgical simulator, employed in the initial training of surgeons, to train deep learning models able to predict the simulator’s assessments and identifyingsurgical errors from kinematic and video data, leveraging the errors already present in the simulator data. Two modules were studied: navigation (tremor reduction) and capsulorhexis (a critical step in surgery). The results are promising and pave the way for surgical error anticipation. To validate these approaches in a real clinical setting, knowledge transfer between simulated and real surgery was explored through unsupervised domain adaptation. A third dataset of capsulorhexis from real surgeries was specifically collected for this study. To our knowledge, this work is the first initiative for anticipating surgical errors in cataract surgery.