Publié le 8 février 2026 10h05. Une nouvelle étude révèle que l’intelligence artificielle, appliquée à l’imagerie par résonance magnétique (IRM), pourrait améliorer la précision de l’évaluation des risques liés au cancer colorectal, permettant une planification de traitement plus personnalisée.
- L’analyse radiomique basée sur l’IRM permet d’identifier avec plus de précision les patients atteints d’un cancer rectal présentant un risque élevé de métastases.
- Un modèle d’apprentissage automatique a démontré une performance supérieure à celle de radiologues expérimentés dans la détection du nombre de dépôts tumoraux.
- Cette approche pourrait conduire à des stratégies thérapeutiques plus adaptées, notamment une chimiothérapie néoadjuvante plus intensive pour les patients à haut risque.
L’identification précise des dépôts tumoraux, ces foyers de cancer qui se sont propagés à partir de la tumeur initiale, est un facteur crucial dans la prise en charge du cancer rectal. Ces dépôts, également appelés métastases, influencent directement le stade de la maladie et les options thérapeutiques envisagées. Cependant, leur détection préopératoire reste un défi, reposant principalement sur l’interprétation de l’imagerie médicale par des radiologues.
Une étude menée dans deux centres hospitaliers a évalué la capacité de l’analyse radiomique, une technique qui extrait des caractéristiques quantitatives à partir d’images médicales, à améliorer cette évaluation. Les chercheurs ont analysé rétrospectivement les IRM de 729 patients atteints d’un cancer rectal, traités entre 2018 et 2024, en se concentrant sur 376 cas pour le développement et la validation de leur modèle. L’objectif était de déterminer si ces caractéristiques radiomiques pouvaient prédire le nombre de dépôts tumoraux (TD), un indicateur pronostique important.
Les patients ont été répartis en trois groupes en fonction de leur nombre de dépôts tumoraux : aucun, un à deux, ou trois ou plus. Les chercheurs ont ensuite utilisé des algorithmes d’apprentissage automatique, notamment XGBoost, pour construire des modèles prédictifs basés sur les caractéristiques extraites de la tumeur primaire, du plus gros nodule mésorectal (une zone de tissu graisseux autour du rectum) et d’une combinaison des deux. Les performances de ces modèles ont été évaluées à l’aide de différents indicateurs, tels que l’aire sous la courbe (ASC), l’exactitude, la précision, le rappel et le score F1.
Le modèle radiomique combinant les informations de la tumeur et du nodule mésorectal s’est avéré le plus performant, atteignant une ASC de 0,873 dans l’ensemble de tests et de 0,858 dans la cohorte de validation, avec une précision d’environ 80 %. De manière significative, ce modèle a surpassé la précision de deux radiologues expérimentés, dont les performances se situaient entre 0,589 et 0,676. Ces résultats soulignent le potentiel clinique de l’analyse quantitative d’images pour affiner l’évaluation des risques.
Le modèle basé uniquement sur les caractéristiques de la tumeur a également démontré une bonne capacité prédictive (ASC supérieure à 0,84), tandis que le modèle basé sur le nodule mésorectal a obtenu des résultats légèrement moins performants, mais toujours pertinents sur le plan clinique. Selon les chercheurs, l’intégration des informations de la tumeur et du nodule mésorectal offre une vision plus complète de la biologie de la maladie, améliorant ainsi la classification du fardeau tumoral.
L’identification précise du nombre de dépôts tumoraux pourrait permettre d’adapter les traitements de manière plus personnalisée. Par exemple, les patients présentant un risque élevé de métastases pourraient bénéficier d’une chimiothérapie néoadjuvante plus intensive avant la chirurgie, ou d’une surveillance plus étroite après l’opération.
Bien que prometteurs, les auteurs de l’étude soulignent la nécessité de mener des recherches multicentriques prospectives pour confirmer ces résultats et valider leur application clinique à grande échelle. Ils ajoutent que ces données viennent s’ajouter aux preuves croissantes que l’intelligence artificielle peut améliorer les performances des radiologues et contribuer à une approche plus précise et personnalisée du traitement du cancer colorectal.
Référence
Zhang C et coll. Radiomique dérivée de l’IRM pour la stratification du risque de dépôts tumoraux dans le cancer rectal : une étude bicentrique. Imagerie d’informations. 2026;17:31.