L'intelligence artificielle au service du diagnostic de l'autisme : une mise en perspective
Le diagnostic de l'autisme repose encore largement sur l'observation clinique et l'évaluation comportementale. Ces méthodes, bien qu'éprouvées, dépendent de l'expérience du praticien et du temps d'observation disponible. Or, l'analyse de données issues de l'imagerie cérébrale ou de l'oculométrie pourrait offrir des indices plus précoces et plus objectifs. L'intuition voudrait que la technologie remplace progressivement le jugement humain. Les travaux récents suggèrent plutôt une autre dynamique : l'outil algorithmique sert à affiner, quantifier et accélérer un processus qui reste fondamentalement clinique.
Des signes précoces que l'œil humain ne perçoit pas toujours
Les premiers signes de trouble du spectre autistique (TSA) apparaissent souvent avant l'âge de deux ans, mais leur détection reste inégale selon les contextes. Un enfant peut éviter le contact visuel, ne pas réagir à son prénom ou présenter des intérêts restreints sans que ces comportements soient immédiatement interprétés comme évocateurs. Ces indices sont subtils et variables d'un enfant à l'autre, ce qui complique la tâche des professionnels de première ligne.
Les algorithmes d'apprentissage automatique, entraînés sur de grandes bases de données vidéo ou de capteurs, peuvent repérer des micro-patterns comportementaux. Par exemple, l'analyse de la trajectoire du regard pendant la visualisation d'un dessin animé, ou la mesure des variations de la voix lors d'une interaction, fournissent des données quantifiables. Ces signaux, une fois croisés avec des milliers de cas similaires, permettent de générer un score de probabilité. Ce score ne constitue pas un diagnostic en soi, mais il peut orienter une évaluation spécialisée plus tôt qu'une simple suspicion clinique.
L'imagerie cérébrale et la recherche de biomarqueurs
Parallèlement aux approches comportementales, l'imagerie par résonance magnétique fonctionnelle (IRMf) a été utilisée pour observer l'activité cérébrale de personnes autistes. Certaines études ont mis en évidence des différences dans la connectivité entre régions cérébrales, notamment au niveau du cortex préfrontal et de l'amygdale. Ces différences, bien que statistiquement significatives au niveau d'un groupe, ne sont pas systématiques à l'échelle individuelle. La variabilité est telle que l'IRMf ne peut, à ce jour, servir de test unique.
Des équipes de recherche explorent néanmoins l'utilisation de réseaux de neurones profonds pour classifier des images cérébrales. L'objectif est d'identifier des combinaisons de caractéristiques invisibles à l'analyse visuelle classique. Les résultats préliminaires montrent une précision prometteuse dans des cohortes restreintes, mais ils peinent à se reproduire sur des populations plus diverses. La question de la généralisation reste ouverte : un modèle entraîné sur des données d'enfants nord-américains ne performe pas nécessairement sur des enfants européens ou asiatiques, en raison de différences culturelles dans l'expression des comportements et des variations génétiques.
Les limites structurelles des modèles actuels
L'une des difficultés majeures réside dans la qualité des données d'entraînement. Les bases de données utilisées sont souvent constituées à partir de diagnostics établis par des cliniciens, eux-mêmes soumis à une certaine subjectivité. Si l'algorithme apprend à partir de ces données, il reproduit et amplifie les biais qui y sont contenus. Par exemple, les filles sont sous-représentées dans les cohortes historiques, car leur présentation clinique diffère fréquemment de celle des garçons. Un modèle entraîné sur ces données risque donc de sous-détecter l'autisme chez les filles.
Un autre écueil tient à la nature même de l'autisme, qui n'est pas une maladie unique mais un spectre. Les manifestations varient considérablement, allant de formes sévères avec absence de langage à des formes dites « de haut niveau » où l'intelligence verbale est préservée. Un algorithme conçu pour détecter des comportements stéréotypés peut passer à côté de personnes dont les difficultés sont surtout sociales et communicationnelles. La standardisation inhérente aux modèles statistiques entre en tension avec la diversité des tableaux cliniques.
Enfin, la question de l'interprétabilité se pose. Les réseaux de neurones profonds fonctionnent souvent en « boîte noire » : ils fournissent un résultat sans expliquer les critères qui ont conduit à cette décision. Or, pour un clinicien, savoir pourquoi un outil signale un risque est essentiel pour décider d'une démarche diagnostique. Des travaux récents tentent de développer des méthodes d'explicabilité, mais elles restent expérimentales et difficiles à appliquer en pratique courante.
Une complémentarité avec la pratique clinique plutôt qu'un remplacement
Les outils d'intelligence artificielle ne sont pas conçus pour se substituer au jugement d'un pédopsychiatre ou d'un neuropédiatre. Leur apport se situe plutôt en amont, dans le tri et la priorisation. Dans certains services hospitaliers, des questionnaires numériques couplés à des algorithmes sont utilisés pour orienter les familles vers une consultation spécialisée. Cela permet de réduire les listes d'attente en identifiant les cas les plus urgents ou les plus typiques.
D'autres applications visent à outiller les professionnels de la petite enfance, comme les médecins généralistes ou les puéricultrices, qui manquent souvent de formation spécifique. Un outil d'aide à la décision, basé sur des vidéos de l'enfant filmées à la maison, peut leur fournir un premier niveau d'alerte. Ce processus ne remplace pas l'évaluation approfondie mais il en améliore la pertinence en évitant des renvois inutiles ou des retards préjudiciables.
La recherche s'oriente également vers des dispositifs de suivi longitudinal. Plutôt qu'un test unique à un instant T, l'IA pourrait analyser l'évolution des comportements sur plusieurs mois, à partir de données collectées via des applications mobiles ou des capteurs portables. Cette approche dynamique correspond mieux à la réalité du trouble, dont l'expression évolue avec l'âge et les interventions. Les premières expérimentations, menées sur de petits échantillons, montrent que la combinaison de mesures répétées améliore la fiabilité des prédictions par rapport à une évaluation ponctuelle.
L'intégration de ces technologies dans le parcours de soins soulève néanmoins des questions éthiques et pratiques. La protection des données de santé, la transparence des algorithmes et l'acceptabilité par les familles constituent des prérequis. Les études d'acceptabilité indiquent que les parents sont généralement favorables à l'utilisation de l'IA si elle est présentée comme un complément à l'avis médical et non comme un verdict automatisé. Les professionnels, de leur côté, demandent une formation adaptée pour comprendre les sorties des modèles et savoir les interpréter.
À ce stade, aucun dispositif d'IA n'a obtenu d'autorisation de mise sur le marché pour le diagnostic de l'autisme. Les publications scientifiques décrivent des résultats encourageants mais issus de contextes de recherche contrôlés. La distance entre un article académique et un outil utilisable en routine clinique reste considérable, tant en termes de validation réglementaire que de déploiement logistique.
La trajectoire actuelle indique que l'intelligence artificielle s'inscrira dans une chaîne d'évaluation où chaque maillon garde sa spécificité : l'outil algorithmique pour le repérage, le clinicien pour l'interprétation et l'annonce, et l'équipe pluridisciplinaire pour l'accompagnement. Cette répartition des rôles, si elle se confirme, pourrait améliorer l'équité d'accès au diagnostic, notamment dans les zones sous-dotées en spécialistes. Elle ne résoudra pas, en revanche, la question de la prise en charge, qui demeure un enjeu de santé publique distinct de celui du diagnostic.
