Percival repère des maladies cachées sur scanner, encore préclinique

Un scanner réalisé pour vérifier une pneumonie peut apporter bien plus que cette réponse. Dans ses coupes, l'œil d'un radiologue peut passer à côté des premiers signes d'un trouble du rythme cardiaque ou d'une insuffisance rénale, simplement parce que personne n'a posé la question. Des chercheurs de Penn Medicine ont mis au point un modèle d'intelligence artificielle qui tente de repérer précisément ces éléments, et une nouvelle étude publiée dans npj Digital Medicine détaille ce qu'il parvient à détecter.

Baptisé Percival, ce modèle a été entraîné sur environ 400 000 scanners, réalisés chez près de 50 000 patients, issus de la BioBank de Penn Medicine, qui rassemble des données sur plus de 350 000 personnes dans l'ensemble du système de santé de l'université de Pennsylvanie, sur deux décennies. La plupart des outils d'IA doivent être dirigés vers une maladie précise. Percival est conçu pour fonctionner en arrière-plan et faire remonter des motifs que personne n'avait pensé à chercher. Selon l'équipe, il a repéré sur les scanners des traces de fibrillation atriale, un rythme cardiaque irrégulier, et de maladie rénale chronique. Face à un autre modèle d'IA, TotalSegmentator, Percival a repéré le cancer du pancréas, la cirrhose et la pneumonie bactérienne de façon beaucoup plus fiable, selon les auteurs de l'étude.

Les chercheurs appellent cette approche « dépistage opportuniste » : détecter une maladie sur un examen prescrit pour autre chose. Le co-auteur Charles Kahn, professeur de radiologie, fait valoir que de nombreux patients présentent déjà une maladie cardiaque ou métabolique importante lorsqu'ils arrivent en soins spécialisés, si bien qu'une image réalisée pour un autre motif pourrait permettre de la identifier plus tôt. Les résultats restent cependant préclinique. Ils proviennent des propres tests de l'équipe, et le modèle n'a pas encore été utilisé chez des patients dans le cadre des soins courants.

Pour les patients, le gain pratique serait une reconnaissance plus précoce ; pour les hôpitaux, une façon de tirer davantage parti d'imageries déjà réalisées. Les concepteurs espèrent tester Percival dès l'an prochain, avec l'objectif de l'intégrer à la pratique clinique courante. D'ici là, ces avantages restent une promesse à vérifier : l'équipe examine comment des jeux de données plus vastes et des données provenant de plusieurs établissements pourraient rendre le modèle plus robuste et plus prédictif. Son code et ses spécifications d'entraînement sont en libre accès, afin que d'autres équipes puissent eux aussi le tester.

Penn Medicine développe par ailleurs d'autres outils. Un modèle dédié aux IRM cardiaques, conçu pour aider à diagnostiquer des pathologies nouvelles, a atteint une précision quasi parfaite dans un test, et l'outil AInSights, développé précédemment par l'équipe, devrait contribuer à guider le parcours de Percival vers la clinique.