L’IA de l’UCSF cartographie l’incertitude des tumeurs cérébrales

Sur une IRM cérébrale, la ligne la plus lourde de conséquences est peut-être celle qu’un algorithme trace autour d’une tumeur — et les endroits où il reconnaît que cette ligne pourrait être erronée. Des chercheurs de l’University of California, San Francisco, ont développé un cadre d’IA qui segmente les méningiomes en trois dimensions tout en produisant des cartes de sa propre incertitude, une étape vers des mesures de volume et un suivi thérapeutique plus sûrs.

L’IRM est l’un des examens d’imagerie les plus précis pour diagnostiquer les tumeurs cérébrales, mais leur taille est souvent évaluée à partir d’un jugement subjectif ou de mesures bidimensionnelles simplifiées. Ces raccourcis peuvent sous-estimer le volume réel d’un méningiome à croissance lente ou de forme irrégulière. Une carte tridimensionnelle rend mieux compte de l’espace occupé par la tumeur ; le défi consiste à déterminer à quel moment une frontière automatisée est fiable.

L’équipe de l’UCSF a utilisé un ensemble de modèles d’Evidential Deep Learning — des modèles d’IA combinés pour estimer l’incertitude — afin de distinguer les segmentations fiables des segmentations ambiguës. Le cadre a été entraîné sur 1 655 IRM provenant de 788 patients, notamment des examens postopératoires, où les modifications liées au traitement peuvent ressembler à du tissu tumoral et accroître l’incertitude. Sur un jeu de test indépendant de 68 IRM provenant de 43 patients, les cartes d’incertitude correspondaient aux régions identifiées comme ambiguës par les neuroradiologues, et les estimations de volume étaient bien calibrées.

Une validation externe menée auprès de 353 patients a fourni des éléments indiquant que cette approche pouvait se généraliser au-delà des données d’entraînement. Andreas Rauschecker, professeur adjoint de radiologie à l’UCSF et codirecteur de la recherche en imagerie intelligente, a expliqué que l’objectif était de quantifier le niveau d’incertitude restant dans une estimation du volume tumoral, plutôt que de considérer chaque résultat de l’IA comme définitif. Selon Andreas Rauschecker, le cadre pourrait également être appliqué à la segmentation de lésions autres que les méningiomes.

Qu’est-ce qui change en pratique ? Un clinicien pourrait recevoir non seulement un contour et un volume tumoraux automatisés, mais aussi un signal visuel indiquant les zones à examiner le plus attentivement — notamment lorsque la qualité des images est inégale, que l’anatomie masque la frontière ou que de légères évolutions au fil du temps sont importantes. Cette approche pourrait rendre le suivi quantitatif plus utile sans transformer l’algorithme en autorité incontestable. Le modèle a été entraîné exclusivement sur des données internes privées et conçu pour un flux de travail local ; les chercheurs indiquent que des jeux de données multicentriques et des annotations provenant de plusieurs évaluateurs restent nécessaires pour tester pleinement son incertitude face aux différences entre lecteurs humains.