Une IA détecte des maladies non diagnostiquées cachées dans des scanners de routine
Un scanner est réalisé pour répondre à une question clinique précise. Mais les images contiennent bien plus d'informations qu'un radiologue ne peut en analyser. Un nouveau modèle d'IA extrait ces signaux cachés.
Des chercheurs de l'Université de Pennsylvanie ont entraîné un modèle d'IA baptisé Percival sur plus de 400 000 volumes d'images de scanner provenant de 52 000 patients, associés à leurs comptes rendus radiologiques. Le modèle a appris à reconnaître des schémas liés à des diagnostics allant des maladies cardiovasculaires aux troubles métaboliques, en passant par le cancer. L'étude a été publiée dans la revue npj Digital Medicine.
Ce que le modèle a détecté
Le modèle a extrait des informations pertinentes sur les caractéristiques des patients, notamment l'âge, le sexe et la morphologie. Il a également mis en évidence des associations significatives avec 35 types de mesures biologiques, couvrant la fonction rénale, la fonction hépatique, la glycémie, le métabolisme des lipides et la numération sanguine. Les schémas d'images étaient liés à 351 catégories de diagnostics répartis sur plusieurs systèmes organiques.
Les performances sont toutefois inégales. L'estimation directe des valeurs biologiques à partir des images de scanner s'est révélée globalement faible. Seules l'albumine, l'hémoglobine et la créatinine ont affiché une précision prédictive acceptable. Le modèle ne remplace donc pas les analyses sanguines ; il constitue un système de détection de signaux complémentaire.
Un intérêt pour la détection précoce avec l'âge
Pour la médecine préventive et la recherche sur la longévité, la piste est prometteuse. De nombreuses personnes de plus de cinquante ans passent déjà des scanners pour d'autres raisons. Si ces examens peuvent aussi faire remonter des signaux précoces de maladies non diagnostiquées, la valeur informative des images existantes augmente sans contrainte supplémentaire pour le patient.
La prochaine étape sera une comparaison directe avec des radiologues humains. Ce n'est qu'à ce moment-là que l'on saura clairement quelle valeur clinique Percival apporte concrètement. Pour l'heure, l'outil reste prometteur mais doit encore être validé à plus grande échelle.
Termes de recherche pour aller plus loin : vision-language model medical imaging, CT scan biomarker prediction, early detection AI radiology