L’intelligence artificielle pour détecter et gérer les maladies respiratoires des bovins

Les maladies respiratoires des bovins (Bovine Respiratory Disease, BRD) sont un enjeu majeur pour les éleveurs, car elles entraînent des pertes économiques importantes, dégradent le bien-être des animaux et conduisent à de forts usages d’antibiotiques. La thèse CIFRE de Loïc Eyango a exploré comment l’intelligence artificielle (IA) peut aider à détecter, prédire et gérer ces maladies plus efficacement. En utilisant des échographies pulmonaires réalisées sur des veaux, des modèles d’IA ont appris à reconnaître automatiquement les signes de maladie avec une précision d’environ 72 %. Ces résultats ont ensuite été combinés à des modèles mathématiques, capables de simuler l’évolution de la maladie dans un troupeau. Ce couplage entre IA et modélisation permet non seulement d’améliorer le diagnostic individuel, mais aussi d’anticiper la propagation de la maladie dans le temps. Les travaux, menés en partenariat avec l’entreprise Adventiel, ouvrent la voie à de nouvelles méthodes pour coupler des types de modèles complémentaires (IA/mathématiques) et améliorer la précision et l’incertitude associées aux prédictions, ainsi que pour l’élaboration d’outils d’aide à la décision pour les vétérinaires et les éleveurs.

Contexte et enjeux 

Les BRD sont parmi les affections les plus fréquentes et coûteuses en élevage. Elles provoquent des pertes de croissance, une hausse des traitements antibiotiques et parfois la mort des jeunes bovins. Les vétérinaires disposent de l’échographie pulmonaire pour détecter ces maladies, mais son interprétation reste complexe, surtout dans le contexte de jeunes taurillons dont la musculature gêne l’accès à la partie supérieure des poumons. Par ailleurs, les éleveurs manquent souvent d’outils fiables pour anticiper la propagation d’une épidémie dans leur troupeau. Dans ce contexte, l’essor de l’intelligence artificielle et de capteurs connectés en élevage ouvre de nouvelles perspectives pour mieux comprendre, suivre et prévenir ces maladies. Le défi est d’exploiter efficacement ces données pour transformer des observations brutes en décisions concrètes d’intervention.

Résultats 

La thèse de Loïc Eyango a permis de des avancées méthodologiques en cherchant à combiner deux approches complémentaires. D’une part, un diagnostic automatisé peut être obtenu grâce à un modèle d’apprentissage profond (« deep learning ») entraîné sur 265 vidéos d’échographies pulmonaires issues de 163 bovins. Ce modèle atteint une précision de 72 % pour identifier les animaux malades. D’autre part, la modélisation épidémiologique, qui simule la propagation de la maladie à partir de ces diagnostics, permet de prévoir l’évolution des cas dans un troupeau. Dans sa thèse, Loïc Eyango a développé une méthode qui permet d’intégrer les incertitudes de l’IA dans le modèle mathématique, ce qui améliore nettement la précision des prévisions. Ce travail a aussi testé une approche statistique capable de gérer les erreurs de mesure et de fournir des prévisions plus prudentes. Ces travaux ont été adossés au projet SEPTIME (Carnot France Futur Élevage) qui a permis de collecter des échographies pulmonaires et des observations cliniques dans 9 élevages engraisseurs des coopératives Terrena et Bovineo. 

Perspectives 

Ces travaux ont permis la preuve de concept de l’intérêt du couplage entre des méthodes d’apprentissage profond et des modèles mathématiques. Les prochaines étapes visent à diversifier les données utilisées : vidéos, sons, paramètres environnementaux, etc. pour construire des outils d’aide à la décision multi-capteurs pour les vétérinaires et les éleveurs, afin d’agir plus tôt et plus justement sur les animaux malades. Cette approche pourrait également être adaptée à d’autres maladies animales, contribuant à réduire l’usage d’antibiotiques et à renforcer la durabilité des élevages.
Par ailleurs, une nouvelle thèse a pu être financée, grâce au dispositif « Tandem » de la Région Pays de la Loire, pour explorer la question des méthodes informatiques permettant de connecter des données d’observation ou de capteurs avec des modèles mécanistes dans un contexte générique.
Enfin, l’encadrement de la thèse impliquant deux chercheurs respectivement des département SA et SPE a permis de renforcer les ponts méthodologiques par-delà les domaines d’application (animal / végétal).

Valorisation 

Les travaux de Loïc Eyango ont été présentés notamment en conférence internationale et via une publication dans Preventive Veterinary Medicine, ciblant un public vétérinaire susceptible de vouloir mobiliser ces méthodes. 

•    Thèse de Loïc Eyango (soutenue le 4 juin 2025).
•    Eyango Tabi TGL, Rouault M, Potdevin V, L’Hostis X, Assié S, Picault S, Parisey N (2024) Harnessing uncertainty: a deep mechanistic approach for cautious diagnostic and forecast of Bovine Respiratory Disease. Preventive Veterinary Medicine 233:106354. https://doi.org/10.1016/j.prevetmed.2024.106354
•    Eyango Tabi TGL, Rouault M, Potdevin V, L’Hostis X, Assié S, Picault S, Parisey N (2024) Deep mechanistic model: Integrating deep learning and stochastic mechanistic approaches for Bovine Respiratory Diseases diagnosis and epidemiological forecasting. In: Proceedings of the Conference of the Society for Veterinary Epidemiology and Preventive Medicine (SVEPM). Uppsala, Sweden, pp 61–72.

Collaborations internationales ou partenariales associées 

Partenariat avec la société Adventiel (Rennes) dans le cadre d’une thèse CIFRE. Les liens partenariaux entre Adventiel et BIOEPAR se sont, depuis, resserrés via une collaboration au sein de projets de la Chambre d’Agriculture des Pays de la Loire.
Synergies avec les projets SEPTIME (institut Carnot F2E) et DECIDE (H2020, Grant 101000494).