L'IA peut-elle identifier la tuberculose à partir d'enregistrements audio de toux avec une précision supérieure à celle des cliniciens humains ?

La tuberculose reste un tueur infectieux majeur dans le monde, le diagnostic précoce étant crucial pour le succès du traitement. Les sons de toux contiennent des signatures acoustiques uniques aux affections respiratoires. Des modèles d'IA sont en cours de développement pour analyser les enregistrements de toux afin d'identifier des biomarqueurs spécifiques de l'infection tuberculeuse. Ces systèmes pourraient permettre un dépistage à distance et à faible coût dans des contextes où les ressources sont limitées. Ces outils doivent être rigoureusement validés auprès de populations diverses pour garantir leur fiabilité.

Background

Tuberculosis (TB) is a leading infectious cause of death globally, with early diagnosis critical for successful treatment. Cough acoustics contain unique biomarkers that may reflect underlying pulmonary pathology, including TB-specific signatures. AI models—particularly convolutional neural networks leveraging transfer learning—have been trained on crowdsourced cough datasets to detect TB with reported sensitivities and specificities of approximately 90–95%. Such systems aim to enable remote, low-cost screening in resource-limited settings, addressing gaps where access to clinical expertise or laboratory diagnostics is constrained. However, performance heavily relies on high-quality audio recordings; real-world deployment faces challenges from ambient noise, variability in recording equipment, and overlapping respiratory conditions. Current validation remains largely dataset-dependent, and broader clinical implementation awaits real-world trials and regulatory clearance. WHO emphasizes that rigorous validation across diverse populations is essential to ensure equitable and reliable diagnostic performance.