HAL BIBLIO

# Analyse Bibliométrique du Cluster ## 1. THÈME DU CLUSTER **Prise en charge de l'accident vasculaire cérébral aigu et des lésions cérébrales : de la neuroimagerie aux interventions endovasculaires et à la médecine de soins critiques neurologiques.** ## 2. SYNTHÈSE Ce cluster rassemble des articles fondateurs relatifs au diagnostic, à la classification, au traitement et à l'évaluation pronostique des pathologies cérébrovasculaires aiguës et des lésions cérébrales traumatiques, avec un ancrage méthodologique en neuroimagerie et en médecine de soins intensifs. Le socle méthodologique repose sur les standards de reporting systématique [1] et sur les définitions consensuelles des pathologies critiques, notamment le sepsis [2] et l'insuffisance cardiaque [3], fréquemment comorbides chez ces patients. L'évaluation neurologique standardisée s'appuie sur l'échelle de coma de Glasgow [4] et l'échelle pronostique de Glasgow (Glasgow Outcome Scale) [8], qui demeurent les outils de référence depuis les années 1970. La classification étiologique des AVC ischémiques selon le système TOAST [5] a permis de structurer les essais cliniques, dont le premier essai majeur sur le rt-PA intraveineux [6], suivi par l'extension de la fenêtre thérapeutique à 4,5 heures [12]. Les guidelines successives de l'AHA/ASA [7,11,17] ont codifié ces avancées. Une révolution thérapeutique est survenue avec les essais de thrombectomie mécanique — MR CLEAN [13], ESCAPE [14], EXTEND-IA [15], SWIFT PRIME [20], REVASCAT [21] — consolidés par une méta-analyse individuelle [9], puis étendus à des fenêtres tardives de 6-16 heures [23] et 6-24 heures [18] grâce à la sélection par imagerie de perfusion. L'épidémiologie globale documente le fardeau considérable des AVC [10,30] et des maladies cardiovasculaires [16]. Les standards de neuroimagerie des maladies des petits vaisseaux [19] et la définition actualisée de l'AVC [29] fournissent un cadre conceptuel moderne. La prise en charge des hémorragies intracérébrales spontanées [27] et des traumatismes crâniens sévères [24] — incluant la gestion de la pression intracrânienne — complète ce panorama, avec les recommandations de sédation et gestion de la douleur en réanimation [28]. L'émergence de thérapies contre les maladies neurodégénératives, comme le lecanemab pour la maladie d'Alzheimer [22], illustre l'élargissement du champ vers la neuroprotection. ## 3. TEXTES FONDATEURS - **[4]** Teasdale & Jennett (1974) : Introduction de l'échelle de coma de Glasgow, outil universellement utilisé pour l'évaluation neurologique et la prédiction pronostique, fondement de tout système d'aide à la décision clinique en neuro-réanimation. - **[6]** NINDS rt-PA Study (1995) : Premier essai randomisé démontrant l'efficacité de la thrombolyse intraveineuse dans l'AVC ischémique aigu, pierre angulaire de toute la thérapeutique neurovasculaire moderne. - **[9]** HERMES Collaboration (2016) : Méta-analyse sur données individuelles de cinq essais de thrombectomie [13-15,20,21] confirmant définitivement l'efficacité du traitement endovasculaire, devenue la référence pour les recommandations internationales. - **[24]** Carney et al. (2016) : Quatrième édition des guidelines sur le traumatisme crânien sévère, incluant les recommandations sur le monitoring et la gestion de la pression intracrânienne, directement liée au thème de la recherche. - **[19]** Wardlaw et al. (2013) : Standards de neuroimagerie pour la recherche sur les maladies des petits vaisseaux cérébraux, cadre méthodologique essentiel pour l'application du deep learning à l'imagerie cérébrale. - **[5]** Adams et al. (1993) : Classification TOAST des sous-types d'AVC ischémique, indispensable pour la stratification des patients dans les essais cliniques et les modèles prédictifs par intelligence artificielle. - **[18]** Nogueira et al. (2018) : Essai DAWN étendant la thrombectomie jusqu'à 24 heures sur la base d'un mismatch clinico-radiologique, illustrant le rôle critique de l'imagerie automatisée dans la sélection thérapeutique. ## 4. TENDANCES L'évolution chronologique révèle trois phases distinctes : **Phase 1 — Fondations (1974-1995)** : Développement des outils d'évaluation clinique [4,8] et des classifications étiologiques [5], culminant avec la démonstration de l'efficacité de la thrombolyse [6]. **Phase 2 — Extension thérapeutique (2008-2015)** : Élargissement de la fenêtre de thrombolyse [12], puis révolution endovasculaire avec cinq essais positifs publiés simultanément en 2014-2015 [13-15,20,21], synthétisés par la méta-analyse HERMES [9]. **Phase 3 — Sélection par imagerie et fenêtres étendues (2017-2022)** : Les essais DAWN [18] et DEFUSE 3 [23] ont démontré que l'imagerie avancée (perfusion, mismatch) permet de traiter des patients bien au-delà des fenêtres classiques. Cette période voit l'actualisation rapide des guidelines [11,17] et l'épidémiologie globale à grande échelle [10,30,16]. **Virage récent** : L'émergence de thérapies ciblées comme le lecanemab [22] et l'accent mis sur la neuroimagerie standardisée [19] créent un terrain propice à l'intégration de l'intelligence artificielle et du deep learning pour la prédiction automatisée (pression intracrânienne [24], sélection des patients pour thrombectomie [18,23]). ## 5. CONTROVERSES ET LACUNES **Fenêtre thérapeutique et sélection des patients** : Malgré les avancées, la définition optimale du mismatch clinico-radiologique pour sélectionner les patients au-delà de 6 heures reste débattue entre les critères de DAWN [18] et DEFUSE 3 [23], avec des populations cibles différentes. **Intelligence artificielle et aide à la décision** : Bien que ce cluster porte sur la prédiction par machine learning de la pression intracrânienne, aucun des 30 articles les plus cités ne porte directement sur l'IA ou le deep learning appliqués à cette problématique. Cela révèle un **gap majeur** : le domaine repose encore sur des fondations cliniques et essais classiques, et les outils automatisés de mesure et de prédiction n'ont pas encore atteint le niveau de citation des textes fondateurs. **Gestion de la pression intracrânienne** : Les guidelines sur le traumatisme crânien sévère [24] reconnaissent explicitement que les recommandations reposent sur des données limitées et ne constituent pas un protocole complet, soulignant le besoin de recherches supplémentaires. **Hémorragie intracérébrale** : Les guidelines [27] et l'extension de la thrombolyse [12] identifient le risque hémorragique comme complication majeure, mais les stratégies optimales de prévention et de traitement de l'hémorragie intracrânienne post-thrombolyse restent insuffisamment codifiées. **Standardisation de la neuroimagerie** : Wardlaw et al. [19] soulignent l'hétérogénéité persistante des protocoles d'imagerie, ce qui constitue un obstacle à l'entraînement fiable de modèles de deep learning et à la reproductibilité des mesures automatisées. **Épidémiologie et équité** : Les études de charge globale [10,30] révèlent des disparités régionales considérables dans l'accès aux traitements, posant la question de la transférabilité des modèles d'IA développés principalement dans des contextes à hauts revenus.

# Analyse Bibliométrique du Cluster ## 1. THÈME DU CLUSTER **Architectures d'apprentissage profond et méthodes fondamentales pour la vision par ordinateur et la classification d'images médicales/biomédicales à grande échelle.** ## 2. SYNTHÈSE Ce cluster rassemble les fondements méthodologiques qui sous-tendent l'application de l'intelligence artificielle à l'analyse d'images, avec une forte pertinence pour l'imagerie médicale et l'aide à la décision clinique. Le socle repose sur les architectures de réseaux de neurones convolutifs (CNN), depuis les travaux pionniers sur l'apprentissage par gradient [8] jusqu'à la percée d'AlexNet sur la base ImageNet [5,7], qui a catalysé la révolution de l'apprentissage profond en vision par ordinateur. Des architectures toujours plus profondes et performantes ont suivi : GoogLeNet/Inception [11,16], DenseNet [13], et les réseaux de détection d'objets comme Faster R-CNN [10], R-CNN [15] et Feature Pyramid Networks [19]. La normalisation par lots a permis d'accélérer considérablement l'entraînement de ces réseaux profonds [21]. Plus récemment, un virage paradigmatique s'est opéré avec l'introduction des architectures Transformer en vision, notamment le Vision Transformer (ViT) [29] et le Swin Transformer [18], remplaçant progressivement les convolutions par des mécanismes d'attention. Les réseaux adversariaux génératifs (GAN) ont ouvert la voie à l'augmentation de données synthétiques [27], tandis que SMOTE adresse le déséquilibre des classes fréquent en données cliniques [17]. Sur le plan évaluatif, les méthodes de comparaison de courbes ROC [26,28] et les métriques de qualité d'image comme le SSIM [9] constituent des outils standards. L'explicabilité des modèles est assurée par des techniques comme Grad-CAM [30]. Le transfert d'apprentissage [23] permet d'adapter des modèles pré-entraînés aux domaines médicaux à données limitées. Les cadres méthodologiques de revues systématiques PRISMA [4,20] et les études de portée [14] structurent la synthèse de cette littérature, tandis que le contrôle du taux de fausses découvertes [3] reste essentiel pour la validation statistique. L'extraction de caractéristiques texturales [25] et la décomposition modale empirique [22] complètent l'arsenal analytique pour les signaux biomédicaux. ## 3. TEXTES FONDATEURS - **[8] LeCun et al. (1998)** : Article fondateur des CNN modernes, introduisant LeNet et démontrant l'efficacité de l'apprentissage par gradient pour la reconnaissance de documents — architecture de base pour toute la vision par ordinateur profonde. - **[5] Krizhevsky et al. (2012/2017)** : AlexNet a déclenché la révolution de l'apprentissage profond en vision en démontrant une supériorité massive sur les méthodes classiques sur ImageNet, inaugurant l'ère des GPU pour l'entraînement des CNN. - **[7] Deng et al. (2009)** : Création d'ImageNet, le jeu de données de référence qui a rendu possibles les avancées en classification d'images et permis l'étalonnage de toutes les architectures subséquentes. - **[10] Ren et al. (2016)** : Faster R-CNN a introduit les Region Proposal Networks, rendant la détection d'objets quasi temps réel et devenant la référence pour la détection dans l'imagerie médicale. - **[29] Dosovitskiy et al. (2020)** : Le Vision Transformer a démontré que les architectures Transformer, sans convolution, pouvaient égaler ou surpasser les CNN en classification d'images, ouvrant un nouveau paradigme. - **[23] Pan & Yang (2009)** : Revue fondatrice sur le transfert d'apprentissage, technique cruciale pour appliquer des modèles pré-entraînés sur ImageNet aux domaines médicaux à faibles volumes de données. - **[30] Selvaraju et al. (2017)** : Grad-CAM a fourni un outil d'explicabilité visuelle essentiel pour rendre les décisions des CNN interprétables, condition nécessaire en contexte clinique. - **[3] Benjamini & Hochberg (1995)** : Méthode de contrôle du FDR devenue un standard universel pour les tests multiples, indispensable en analyse d'imagerie cérébrale et en études multi-variables. ## 4. TENDANCES L'évolution chronologique révèle trois phases distinctes : **Phase fondatrice (1973-2009)** : Les bases sont posées avec les caractéristiques texturales [25], l'évaluation par courbes ROC [28,26], le contrôle statistique FDR [3], les CNN à gradient [8], et la création d'ImageNet [7]. **Explosion des CNN (2012-2017)** : AlexNet [5] déclenche une course aux architectures toujours plus profondes — GoogLeNet [11], Inception v2/v3 [16], DenseNet [13], Faster R-CNN [10], FPN [19] — soutenue par la normalisation par lots [21]. Les GAN émergent [27], l'explicabilité devient prioritaire [30], et SMOTE répond au déséquilibre des données [17]. **Virage Transformer et méthodologique (2020-2023)** : Les Transformers envahissent la vision [29,18], marquant une rupture architecturale. Simultanément, les cadres PRISMA actualisés [4] et les méthodologies de revue [14,20] traduisent la maturité du domaine et le besoin de synthèses rigoureuses pour la recherche translationnelle. ## 5. CONTROVERSES ET LACUNES **CNN vs Transformers** : La question de savoir si les Transformers [29,18] surpassent réellement les CNN [5,13] en toutes circonstances, notamment sur de petits jeux de données médicaux, reste débattue. Le transfert d'apprentissage [23] atténue partiellement ce problème mais ne le résout pas. **Explicabilité insuffisante** : Malgré Grad-CAM [30], l'interprétabilité des modèles profonds reste superficielle pour la prise de décision clinique, les cartes d'activation ne fournissant pas de raisonnement causal. **Déséquilibre des données et biais** : Les techniques comme SMOTE [17] sont largement utilisées mais peuvent introduire des artefacts dans les données synthétiques ; les GAN [27] offrent une alternative mais avec des risques de génération d'échantillons non réalistes. **Hétérogénéité du cluster** : Plusieurs articles sont manifestement mal attribués à ce cluster (santé reproductive [1], statistiques du cancer [2], changement climatique [24], système de preuve mathématique [6], article sur les suppléments de santé [12]), suggérant un bruit significatif dans l'analyse de co-citation ou un effet d'hyper-citation généraliste. **Gap domaine-spécifique** : Les 30 articles les plus cités sont quasi exclusivement méthodologiques et génériques. L'absence d'articles spécifiquement dédiés à la prédiction de la pression intracrânienne ou à la neuroimagerie clinique dans ce top 30 révèle que les applications cliniques ciblées par la requête initiale s'appuient sur ces fondements mais restent dans la périphérie citationnelle du cluster, indiquant un écart entre développement méthodologique et traduction clinique.

# Analyse Bibliométrique du Cluster ## 1. THÈME DU CLUSTER **Fondements méthodologiques de l'apprentissage automatique et de l'apprentissage profond appliqués à l'analyse de données biomédicales et à l'imagerie : outils, algorithmes et cadres d'évaluation.** ## 2. SYNTHÈSE Ce cluster réunit les piliers algorithmiques, les cadres d'évaluation statistique et les outils logiciels qui sous-tendent l'application de l'intelligence artificielle aux domaines biomédicaux, notamment la neuroimagerie et l'aide à la décision clinique. Le socle théorique repose sur les architectures fondamentales de réseaux de neurones : l'apprentissage par rétropropagation [20], les réseaux récurrents à mémoire longue (LSTM) [3], les encodeurs-décodeurs RNN [24], et les réseaux résiduels profonds [1], qui ont révolutionné la reconnaissance d'images évaluée sur le benchmark ImageNet [16]. La régularisation par dropout [18] et l'optimiseur Adam [4] constituent des avancées techniques essentielles pour l'entraînement de ces modèles. Une synthèse magistrale du domaine est fournie par LeCun, Bengio et Hinton [5]. En parallèle, les méthodes d'apprentissage automatique classiques restent centrales : les forêts aléatoires [2], les machines à vecteurs de support [15,19], le boosting par gradient via XGBoost [12], le lasso pour la sélection de variables [9], et l'ensemble AdaBoost [29]. L'écosystème logiciel scikit-learn [8] a démocratisé l'accès à ces algorithmes, tandis que EEGLAB [23] offre des outils spécialisés pour l'analyse de signaux neurophysiologiques. L'évaluation rigoureuse des modèles et des mesures cliniques mobilise des cadres statistiques spécifiques : l'analyse ROC [28], l'accord inter-observateurs par le kappa de Cohen [6], la concordance par Bland-Altman [11], et les coefficients de corrélation intraclasse [21,26]. Pour les revues systématiques guidant cette recherche, les lignes directrices PRISMA-ScR [17] et l'outil Rayyan [25] structurent la synthèse des connaissances. La gestion des données cliniques est facilitée par REDCap [10]. Le dépistage cognitif par le MoCA [22] illustre l'ancrage clinique neurologique du cluster. Enfin, des contributions transversales comme AlphaFold [13] démontrent le potentiel transformateur de l'IA en sciences biomédicales, tandis que l'étude Global Burden of Disease [30] et les hallmarks du cancer [7] fournissent le contexte épidémiologique et biologique justifiant ces développements technologiques. ## 3. TEXTES FONDATEURS - **[1] He et al. (2016)** — L'architecture ResNet a rendu possible l'entraînement de réseaux très profonds grâce aux connexions résiduelles, devenant la colonne vertébrale de la plupart des systèmes de vision par ordinateur appliqués à l'imagerie médicale, y compris la neuroimagerie. - **[2] Breiman (2001)** — Les forêts aléatoires constituent l'un des algorithmes les plus utilisés en prédiction clinique (y compris la pression intracrânienne) grâce à leur robustesse, leur interprétabilité relative et leur résistance au surapprentissage. - **[3] Hochreiter & Schmidhuber (1997)** — L'architecture LSTM a résolu le problème du gradient évanescent dans les séries temporelles, ce qui est fondamental pour la prédiction de signaux physiologiques longitudinaux comme la pression intracrânienne. - **[5] LeCun, Bengio & Hinton (2015)** — Cette revue séminale dans *Nature* a formalisé et popularisé le deep learning auprès de la communauté scientifique biomédicale, catalysant son adoption en neuroimagerie et en aide à la décision clinique. - **[8] Pedregosa et al. (2012)** — Scikit-learn est l'infrastructure logicielle de référence qui a rendu les algorithmes de machine learning accessibles aux chercheurs non-informaticiens en biomédecine. - **[12] Chen & Guestrin (2016)** — XGBoost est devenu l'algorithme dominant dans de nombreuses compétitions et études prédictives cliniques grâce à son efficacité et sa scalabilité sur données tabulaires. - **[6] Landis & Koch (1977)** — Ce cadre d'interprétation du kappa reste la référence universelle pour évaluer la fiabilité inter-observateurs, essentielle pour valider les mesures automatisées par rapport aux mesures humaines. - **[11] Bland & Altman (1986)** — La méthode de comparaison entre deux techniques de mesure clinique est indispensable pour valider tout système automatisé de mesure (pression intracrânienne, volumes cérébraux) contre un gold standard. ## 4. TENDANCES L'évolution chronologique révèle trois vagues distinctes : **Phase fondatrice (1977-2001)** : Mise en place des bases statistiques d'évaluation [6,11,26] et des algorithmes classiques — rétropropagation [20], SVM [15,19], LSTM [3], boosting [29], lasso [9], forêts aléatoires [2]. Ces méthodes ont structuré le champ pendant deux décennies. **Phase de transition (2004-2014)** : Émergence des outils logiciels et des infrastructures de données — EEGLAB pour la neurophysiologie [23], MoCA pour l'évaluation cognitive [22], REDCap pour la gestion de données [10], scikit-learn pour le machine learning [8]. Les innovations techniques clés incluent le dropout [18], Adam [4] et les GRU [24], préparant le terrain pour l'explosion du deep learning. **Phase d'accélération (2015-2021)** : Virage décisif vers l'apprentissage profond avec la synthèse de LeCun et al. [5], les architectures ResNet [1], le benchmark ImageNet [16], et XGBoost [12]. On observe une convergence vers l'application biomédicale à grande échelle, illustrée par AlphaFold [13] et contextualisée par les données épidémiologiques globales [30]. La méthodologie de revue systématique se formalise avec PRISMA-ScR [17] et Rayyan [25], traduisant une volonté de rigueur dans la synthèse des preuves en IA biomédicale. Le virage récent est clairement orienté vers la **validation clinique** et la **reproductibilité** [17,21,25]. ## 5. CONTROVERSES ET LACUNES **Interprétabilité vs. performance** : Les modèles profonds [1,3,5] offrent des performances supérieures mais restent largement des « boîtes noires », ce qui entre en tension avec les exigences d'explicabilité clinique. Les méthodes classiques comme les forêts aléatoires [2] et XGBoost [12] sont souvent préférées en pratique clinique pour leur interprétabilité, créant un débat non résolu sur le compromis optimal. **Validation des mesures automatisées** : Les cadres de Bland-Altman [11], de Landis-Koch [6] et des ICC [21,26] sont systématiquement invoqués, mais leur application aux prédictions par IA manque souvent de standardisation. La question de savoir quel seuil d'accord est cliniquement acceptable pour remplacer un opérateur humain (par exemple pour la mesure de la pression intracrânienne) reste ouverte. **Absence de benchmarks spécifiques** : Si ImageNet [16] a standardisé l'évaluation en vision par ordinateur, il n'existe pas d'équivalent reconnu pour la prédiction de la pression intracrânienne ou la neuroimagerie clinique, rendant les comparaisons entre études difficiles. **Biais de généralisation** : Les données d'entraînement issues de cohortes monocentriques, documentées via REDCap [10], posent un problème de transférabilité. Les revues systématiques [17,25] révèlent une hétérogénéité méthodologique importante entre les études, avec des définitions variables des outcomes et des populations. **Fossé entre démonstration technique et impact clinique** : Malgré des preuves de concept spectaculaires [13], le transfert vers l'aide à la décision clinique effective (par exemple intégration dans les systèmes de monitoring neurologique) reste limité. Le dépistage cognitif [22] et le fardeau global des maladies [30] soulignent l'ampleur des besoins cliniques non satisfaits que ces technologies devraient adresser.

# Analyse Bibliométrique du Cluster ## 1. THÈME DU CLUSTER **Apprentissage profond pour l'analyse d'images médicales : architectures de segmentation, reconstruction, recalage et radiomique appliquées à l'imagerie clinique.** ## 2. SYNTHÈSE Ce cluster réunit des travaux fondateurs et applicatifs autour de l'utilisation de l'apprentissage profond (deep learning) pour le traitement et l'analyse automatisée des images médicales. Le socle méthodologique repose sur des architectures de réseaux de neurones convolutifs : U-Net [1] constitue le modèle de référence pour la segmentation biomédicale, s'appuyant sur les réseaux pleinement convolutifs (FCN) [3,7] et les architectures profondes comme VGGNet [2]. Des variantes architecturales ont été proposées, notamment MultiResUNet [19] et Swin UNETR intégrant les transformers [29], pour améliorer la segmentation multimodale, en particulier des tumeurs cérébrales. L'apprentissage profond a été appliqué massivement au dépistage et au diagnostic, notamment pour la détection du cancer du poumon par scanner faible dose [8,20] et la détection de métastases ganglionnaires en pathologie mammaire [15]. Une revue systématique a cartographié l'ensemble de ces applications [6], complétée par une synthèse focalisée sur l'IRM [22]. Le domaine de la radiomique, visant l'extraction quantitative de caractéristiques d'imagerie, a été formalisé conceptuellement [18,11] puis standardisé via l'initiative IBSI [14], avec des outils dédiés comme PyRadiomics [10]. Ces biomarqueurs d'imagerie permettent un phénotypage tumoral non invasif [11]. La reconstruction d'images, notamment en scanner faible dose et en IRM accélérée, a bénéficié de réseaux encodeur-décodeur résiduels [23], de GAN avec distance de Wasserstein [26], de réseaux variationnels [25] et d'approches par apprentissage de variétés [24]. La traduction d'images non appariées via CycleGAN [5,17] a ouvert des perspectives pour la synthèse inter-modalités. Le recalage d'images médicales a évolué des méthodes classiques comme les démons difféomorphes [27], ANTs [12] et Elastix [13] vers des approches par apprentissage avec VoxelMorph [21]. La détection d'objets a été améliorée par la focal loss traitant le déséquilibre de classes [4,9]. Enfin, les enjeux d'interprétabilité [16], de standardisation des données [28] et de gestion des erreurs en radiothérapie [30] complètent ce paysage. ## 3. TEXTES FONDATEURS - **[1] U-Net (Ronneberger et al., 2015)** : Architecture fondatrice de la segmentation biomédicale, avec son encodeur-décodeur à connexions sautées, devenue le standard de facto pour quasiment toutes les tâches de segmentation en imagerie médicale (>85 000 citations). - **[3,7] FCN (Long/Shelhamer et al., 2015-2016)** : Introduction du paradigme de segmentation pixel-à-pixel par réseaux pleinement convolutifs, fondement théorique sur lequel U-Net et ses dérivés ont été construits. - **[6] Litjens et al. (2017)** : Revue exhaustive de référence sur le deep learning en analyse d'images médicales, cartographiant les applications en détection, segmentation, classification et recalage, servant de point d'entrée incontournable dans le domaine. - **[11] Aerts et al. (2014)** : Article pionnier de la radiomique quantitative démontrant qu'un large ensemble de caractéristiques d'imagerie peut décoder le phénotype tumoral de manière non invasive, ouvrant la voie aux biomarqueurs radiomiques. - **[14] Zwanenburg et al. (2020)** : Initiative de standardisation (IBSI) de 174 caractéristiques radiomiques avec valeurs de référence validées, essentielle pour la reproductibilité et l'adoption clinique de la radiomique. - **[5,17] CycleGAN (Zhu et al., 2017)** : Méthode de traduction d'images non appariées par cohérence cyclique, ayant permis la synthèse inter-modalités (CT↔IRM) sans nécessiter de données appariées, révolutionnant l'augmentation de données en imagerie médicale. - **[21] VoxelMorph (Balakrishnan et al., 2019)** : Cadre d'apprentissage pour le recalage déformable d'images médicales, marquant le passage des méthodes itératives classiques vers des approches par réseaux de neurones rapides et performantes. - **[4,9] Focal Loss (Lin et al., 2017-2018)** : Fonction de perte rééquilibrant les classes pour la détection dense d'objets, largement adoptée en imagerie médicale où le déséquilibre entre lésions et fond normal est omniprésent. ## 4. TENDANCES L'évolution chronologique révèle trois phases distinctes : **Phase 1 – Fondations classiques (2004-2012)** : Les méthodes de recalage non paramétrique [27], les toolbox comme Elastix [13] et ANTs [12], ainsi que les premiers cadres conceptuels de la radiomique [18] et la gestion des erreurs en radiothérapie [30] posent les bases pré-deep learning. L'essai NLST [8] démontre l'intérêt clinique du dépistage par scanner faible dose. **Phase 2 – Révolution deep learning (2014-2018)** : L'émergence des architectures fondatrices (VGGNet [2], FCN [3,7], U-Net [1]) transforme radicalement le domaine. La focal loss [4,9] résout le problème du déséquilibre de classes. Les GAN, notamment CycleGAN [5,17], ouvrent la synthèse d'images. Les premières applications cliniques majeures apparaissent [15,20]. La reconstruction d'images par deep learning prend son essor [23,24,25,26]. Les revues structurantes [6,22] consolident le champ. **Phase 3 – Maturation et standardisation (2019-2022)** : Un virage vers la standardisation se confirme avec l'IBSI [14] et les bases de données publiques [28]. Les architectures évoluent vers les transformers [29] et les réseaux plus sophistiqués [19]. L'apprentissage du recalage [21] remplace progressivement les méthodes itératives. L'interprétabilité [16] devient une préoccupation centrale, signalant la transition vers le déploiement clinique. Le virage récent le plus marquant est le passage des **transformers** en segmentation [29], supplantant potentiellement les architectures purement convolutives comme U-Net [1]. ## 5. CONTROVERSES ET LACUNES **Reproductibilité et standardisation** : L'absence de définitions standardisées des caractéristiques radiomiques a longtemps entravé l'utilisation clinique [14]. Malgré l'initiative IBSI [14], la variabilité inter-logiciels (PyRadiomics [10] vs. autres implémentations) reste problématique, et la reproductibilité des études radiomiques demeure un défi majeur [11,18]. **Interprétabilité vs. performance** : Doshi-Velez et Kim [16] soulignent l'absence de science rigoureuse de l'interprétabilité, alors que les modèles de deep learning les plus performants [1,2,29] fonctionnent comme des boîtes noires. Ce fossé entre performance diagnostique [15,20] et explicabilité limite l'adoption clinique et soulève des questions réglementaires. **Généralisation et biais de données** : Les modèles entraînés sur des jeux de données spécifiques [28] montrent des performances dégradées en contexte réel. La question de la transférabilité des architectures génériques (VGGNet [2], transformers [29]) vers des tâches médicales spécialisées, avec des données limitées, reste ouverte. **Méthodes classiques vs. apprentissage** : La tension entre méthodes conventionnelles de recalage (Elastix [13], ANTs [12], démons difféomorphes [27]) et les approches par apprentissage (VoxelMorph [21]) n'est pas résolue, notamment sur les garanties de difféomorphisme et la précision anatomique fine. **Validation clinique** : Un écart persiste entre les performances algorithmiques rapportées in silico [15,20] et l'intégration réelle dans les flux de travail cliniques. L'essai NLST [8] reste l'un des rares exemples de validation clinique à grande échelle, tandis que la plupart des approches de deep learning [6,22] manquent d'essais prospectifs rigoureux. **Reconstruction faible dose** : Les approches GAN [26] et réseaux résiduels [23] pour la réduction de dose en CT produisent parfois des artefacts ou des textures artificielles, posant la question de la fiabilité diagnostique des images reconstruites par rapport aux méthodes itératives conventionnelles.

# Analyse Bibliométrique du Cluster ## 1. THÈME DU CLUSTER **Intelligence artificielle et apprentissage automatique appliqués à la prédiction des risques, au diagnostic et à la stratification pronostique dans les maladies neurodégénératives et cardiovasculaires.** ## 2. SYNTHÈSE Ce cluster réunit des travaux à l'intersection de l'intelligence artificielle (IA), de l'imagerie médicale et de la médecine de précision, avec deux pôles pathologiques dominants : les maladies neurodégénératives (principalement la maladie de Parkinson et Alzheimer) et les maladies cardiovasculaires (athérosclérose, maladie coronarienne). Sur le plan méthodologique, le cluster s'ancre dans le développement de modèles d'apprentissage profond (deep learning) pour la reconnaissance de patterns complexes dans les données cliniques et d'imagerie [4,12,17,23]. L'IA est présentée comme un levier transformateur pour la médecine de précision, permettant une détection précoce des maladies et une personnalisation thérapeutique [5,18,26]. Un débat fondamental traverse ces travaux : la nécessité de privilégier des modèles interprétables plutôt que des boîtes noires opaques dans les décisions médicales à haut risque [1], et l'exigence de standards rigoureux pour le reporting des modèles prédictifs en IA [11]. Concernant les maladies neurodégénératives, les travaux portent sur la physiopathologie de la maladie de Parkinson, notamment le rôle de l'α-synucléine [3], du stress oxydatif [9] et de la dysautonomie [24], ainsi que sur le diagnostic assisté par apprentissage automatique à partir de données motrices, vocales et d'imagerie [20,22]. Le deep learning est également appliqué à la classification diagnostique et pronostique de la maladie d'Alzheimer à partir de données de neuroimagerie [12]. La détection automatisée du papillœdème par photographies du fond d'œil illustre une application clinique directe de ces technologies [21]. Dans le domaine cardiovasculaire, la stratification du risque repose sur des biomarqueurs circulants comme les molécules d'adhésion [14], l'évaluation de la capacité d'exercice [13,19], l'imagerie carotidienne [25,30] et la compréhension des mécanismes de rupture de plaque [27] et de dysfonction mitochondriale [10]. L'hypertension et la dysfonction cérébrovasculaire constituent un pont entre les deux pôles pathologiques [15]. La stratification du risque diabétique par machine learning complète ce tableau de médecine prédictive [28,29]. ## 3. TEXTES FONDATEURS - **[1]** Rudin (2019) : Article pivot qui pose le cadre éthique et méthodologique de tout le cluster en argumentant que les modèles interprétables doivent remplacer les boîtes noires en médecine à haut risque. Ses 8095 citations en font la référence la plus influente. - **[2]** Poewe et al. (2017) : Revue de référence exhaustive sur la maladie de Parkinson constituant le socle clinique sur lequel s'appuient les travaux de diagnostic automatisé [20,22]. - **[3]** Spillantini et al. (1998) : Texte fondateur en neuropathologie démontrant le rôle de l'α-synucléine dans les corps de Lewy, fournissant les bases biologiques que les algorithmes de diagnostic cherchent à détecter indirectement. - **[5]** Johnson et al. (2020) : Synthèse stratégique sur la convergence IA/médecine de précision, articulant la vision programmatique de la santé personnalisée qui motive l'ensemble du cluster. - **[12]** Jo et al. (2019) : Revue centrale sur l'application du deep learning aux données de neuroimagerie pour Alzheimer, établissant le pont méthodologique entre IA et neurodégénérescence. - **[13]** Kavanagh et al. (2002) : Étude de cohorte majeure (12 169 patients) démontrant la valeur pronostique de la capacité d'exercice, modèle de stratification du risque que l'IA cherche à optimiser. - **[21]** Miléa et al. (2020) : Démonstration clinique publiée dans le NEJM d'un système de deep learning détectant le papillœdème, preuve de concept directement liée à la pression intracrânienne. - **[6]** Hlatky et al. (2009) : Déclaration scientifique établissant les critères d'évaluation des nouveaux marqueurs de risque cardiovasculaire, cadre méthodologique pour juger la valeur ajoutée des prédictions par IA. ## 4. TENDANCES **Phase 1 – Fondements biomédicaux (1998-2009)** : Le cluster s'enracine dans la caractérisation moléculaire et clinique des maladies, avec les travaux sur l'α-synucléine [3], les biomarqueurs cardiovasculaires [14,27], la physiopathologie mitochondriale [10], et la stratification pronostique classique [6,13,19,25,30]. **Phase 2 – Émergence du machine learning médical (2009-2017)** : Les techniques de reconnaissance de formes et de réseaux récurrents [4] commencent à être transposées au domaine médical. Les premières revues sur l'IA en médecine posent le cadre [7]. Les approches comparatives de classification par machine learning apparaissent pour des pathologies comme le diabète [29]. **Phase 3 – Virage deep learning et IA clinique (2019-2022)** : Un tournant net s'observe à partir de 2019 avec une concentration d'articles sur le deep learning appliqué au diagnostic neurologique [12,17,20,21,22], la médecine de précision augmentée par l'IA [5,18,26], et simultanément l'émergence d'un discours critique sur l'interprétabilité [1] et la qualité du reporting [11]. Ce virage traduit le passage d'une IA expérimentale à une IA aspirant à l'intégration clinique, avec une attention croissante aux enjeux économiques [26] et réglementaires. ## 5. CONTROVERSES ET LACUNES **Interprétabilité vs. performance** : La tension fondamentale identifiée par Rudin [1] entre la performance des modèles opaques (deep learning) et l'exigence d'interprétabilité en contexte clinique reste non résolue, particulièrement pour les applications en neuroimagerie [12,17] où les architectures les plus performantes sont les moins explicables. **Qualité méthodologique du reporting** : Collins et Moons [11] soulignent l'insuffisance des standards de publication des modèles prédictifs en IA, ce qui compromet la reproductibilité et la comparabilité des résultats, un problème amplifié par le nombre croissant de publications dans le domaine [20,22]. **Rétractation et intégrité scientifique** : La rétractation de l'article de Quazi [18], malgré ses 382 citations, illustre un problème d'intégrité dans la littérature sur l'IA en médecine de précision et soulève des questions sur la fiabilité de certaines revues dans ce domaine en expansion rapide. **Lacune de validation clinique prospective** : La majorité des études sur le diagnostic par machine learning de la maladie de Parkinson [20,22] et d'Alzheimer [12] reposent sur des données rétrospectives. Le passage à la validation prospective en conditions cliniques réelles, tel que démontré partiellement par Miléa et al. [21], reste un chaînon manquant critique. **Fragmentation disciplinaire** : Le cluster révèle un fossé entre les travaux de physiopathologie fondamentale [3,9,10,24] et les approches computationnelles [4,12,17,28], avec peu de travaux intégrant véritablement les connaissances biologiques dans l'architecture des modèles d'IA. L'évaluation de nouveaux marqueurs de risque selon des critères rigoureux [6] n'est que rarement appliquée aux prédictions issues de l'IA. **Biais de représentation** : Les études pronostiques cardiovasculaires fondatrices portent principalement sur des cohortes masculines [13], avec une seule étude spécifique aux femmes [19], soulevant des questions sur la généralisabilité des modèles prédictifs entraînés sur ces données.