Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
A CT scan taken to check for pneumonia can carry far more than that answer. Somewhere in its slices, a radiologist's eye may miss the early signs of a heart rhythm problem or a failing kidney, because nobody asked the question. Penn Medicine researchers have built an artificial intelligence model that tries to find exactly those things, and a new study in npj Digital Medicine reports what it can pick up.
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.
The model, called Percival, was trained on roughly 400,000 CT scans from about 50,000 patients, drawn from the Penn Medicine BioBank, which gathers data on more than 350,000 people across the University of Pennsylvania Health System over two decades. Most AI tools have to be pointed at a specific condition. Percival is designed to run in the background and surface patterns nobody thought to look for. The team says it found traces of atrial fibrillation, an irregular heartbeat, and chronic kidney disease in scans. Against another AI model, TotalSegmentator, Percival flagged pancreatic cancer, cirrhosis and bacterial pneumonia much more reliably, according to the study's authors.
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.
The researchers call this approach 'opportunistic screening': finding disease on a scan ordered for something else. Co-author Charles Kahn, a radiology professor, argues that many patients already have substantial heart or metabolic disease by the time they reach specialty care, so an image taken for another reason could bring that forward. The results are still preclinical. They come from the team's own testing, and the model has not yet been used on patients in routine care.
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.
For patients, the practical gain would be earlier recognition, and for hospitals, a way to get more out of imaging they already perform. The developers hope to test Percival early next year, aiming to bring it into the clinic for regular use. Until then, the gains are a promise to be checked: the team is examining how larger datasets and data from several institutions could make the model more robust and predictive. Its code and training specifications are open source, so other groups can test it too.
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 is also developing other tools. A separate model for cardiac MRI scans, built to help diagnose new conditions, reached near-perfect accuracy in one test, and the team's earlier AInSights tool is expected to help guide Percival's path to the clinic.
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.