Doppler couleur : l'IA mesure, le veterinaire decide

🔬 Deux opérateurs entraînés, la même échographie, deux estimations différentes. C'est ce qui freine le Doppler couleur en reproduction bovine depuis des années. La perfusion sanguine du corps jaune se lit à l'œil, en pourcentage de surface colorée, et chacun a sa main. Une équipe de l'Université de Géorgie vient de comparer trois façons de mesurer cette perfusion sur 224 vaches : l'œil de l'opérateur, un comptage manuel de pixels sous ImageJ, et un pipeline de deep learning automatisé. 📊 L'algorithme segmente le corps jaune avec un indice de recouvrement de 0,93 face aux annotations humaines. Il traite 159 images par vidéo, là où la méthode manuelle en retient deux. ⚠️ Le détail le plus utile pour nous : l'IA estime en moyenne 11,6 points de perfusion en dessous de l'évaluateur humain. De façon constante, quel que soit le stade du cycle. Reproductible ne veut pas dire superposable. Les seuils de décision construits sur des années de lecture visuelle ne se transposent pas tels quels à une valeur générée par la machine. Il faudra les recalibrer. 🩺 Les auteurs posent eux-mêmes la limite : l'acquisition d'images reste dépendante d'un opérateur formé. Le geste et les réglages machine conditionnent tout ce que l'algorithme verra après. L'IA quantifie le signal. Le vétérinaire pose l'indication et le diagnostic. Cette frontière sépare un outil de terrain d'une promesse creuse. 📚 Référence : Melo-Gonçalves L., Hallman J.A., Chiconato G.M.R. et al. (2026). « Automated luteal blood perfusion assessment in cows using image processing and deep learning algorithms ». Theriogenology, 266, 118156. https://doi.org/10.1016/j.theriogenology.2026.118156 🎧 On décortique ce type de publications dans le podcast VETO-IA : https://open.spotify.com/show/5wlGAVBuJwv0a1QFepdwoX