Une équipe hospitalière sud-coréenne développe un modèle d'IA pour améliorer la détection des métastases osseuses grâce aux informations TEP/TDM

L'équipe de recherche de l'hôpital municipal de Boramae à Séoul a récemment développé un modèle d'intelligence artificielle capable d'identifier les métastases osseuses difficiles à détecter sur les images TDM. Ce modèle intègre des informations issues de l'IRM et de la TEP/TDM lors de son entraînement, permettant ainsi à certaines lésions peu visibles sur la TDM et souvent manquées d'entrer dans les données d'apprentissage, améliorant par conséquent la capacité de détection.

Les métastases osseuses constituent un élément clé pour déterminer le stade du cancer et élaborer le plan thérapeutique. Si les lésions ne sont pas suffisamment nettes sur les images TDM, les métastases osseuses peuvent être détectées tardivement, ce qui peut entraîner des complications telles que des fractures pathologiques et une compression médullaire. Les études antérieures sur l'IA reposaient principalement sur des lésions clairement visibles sur la TDM pour constituer les données d'entraînement ; l'équipe de recherche estime que cette approche pourrait omettre des lésions réellement présentes mais difficiles à identifier sur la TDM.

Cette étude a inclus 502 images TDM thoraco-abdominales de 332 patients provenant de quatre établissements médicaux sud-coréens, avec un total de 4 999 foyers de métastases osseuses annotés. L'équipe a développé deux modèles d'IA basés sur l'algorithme de segmentation d'images tridimensionnelles “nnU-Net” : le modèle 1 a été entraîné uniquement sur les métastases osseuses clairement identifiables sur la TDM ; le modèle 2 a été entraîné en intégrant les métastases osseuses identifiées par IRM et TEP/TDM, difficiles à détecter sur la TDM. Ensuite, les chercheurs ont effectué une validation externe à l'aide des données d'un autre établissement médical.

Les résultats montrent que le taux de rappel au niveau des lésions du modèle 2 est de 41,8 %, supérieur à celui du modèle 1 qui est de 33,9 %, avec une différence statistiquement significative (P<0,001). Même en analysant uniquement les métastases osseuses relativement nettes sur la TDM, le modèle 2 surpasse le modèle 1, avec des taux de détection respectifs de 53,6 % et 44,7 %.

Dans la comparaison avec les résultats de lecture manuelle, le taux de précision de détection des lésions du modèle 2 est de 80,1 %, supérieur à celui du groupe des résidents en radiologie (66,6 %) et à celui du groupe des experts en radiologie musculo-squelettique (66,5 %). Cependant, en ce qui concerne le taux de rappel de détection des lésions, le modèle 2 atteint 41,8 %, le groupe des résidents 39,4 % et le groupe des radiologues musculo-squelettiques 43,8 %, sans différence statistiquement significative entre les groupes.

L'équipe de recherche indique que ces résultats démontrent que la performance de l'IA médicale dépend non seulement de l'algorithme, mais aussi de l'exactitude et de l'exhaustivité des données d'entraînement. L'ajout de lésions difficiles à visualiser sur la TDM grâce à l'IRM et à la TEP/TDM contribue à constituer un ensemble de données d'entraînement plus complet. Ce modèle d'IA peut analyser une acquisition TDM en environ 49 secondes en moyenne. L'équipe prévoit qu'à l'avenir, il pourra être intégré aux systèmes de visualisation d'images cliniques pour marquer les lésions suspectes, et permettre en outre une évaluation quantitative du volume des métastases osseuses et de son évolution avant et après traitement grâce aux résultats de segmentation d'images.

Le professeur Kim Dong-hyun a déclaré que l'élément clé de cette étude réside dans l'utilisation de l'IRM et de la TEP/TDM pour constituer un ensemble de données incluant des lésions difficiles à détecter sur la TDM, plutôt que d'apprendre uniquement les lésions clairement visibles sur la TDM. Il estime que le modèle d'IA utilisant des données d'entraînement de haute qualité a déjà démontré un potentiel de détection des métastases osseuses comparable à celui des radiologues musculo-squelettiques ; s'il est appliqué à l'environnement réel de lecture des TDM, il pourrait servir de filet de sécurité auxiliaire pour aider à détecter les métastases osseuses susceptibles d'être manquées lors de la lecture des images.

Les résultats de cette étude ont été publiés dans la revue internationale Radiology : Artificial Intelligence, volume 8, numéro 3, 2026.