Publié le 11 février 2026 15:40:00. Une nouvelle approche d’apprentissage automatique pourrait permettre de prédire avec plus de précision la résistance au traitement chez les patients atteints d’une forme rare de vascularite, la vascularite associée aux anticorps antineutrophiles (AAV) de type myéloperoxydase (MPO), en particulier ceux présentant des atteintes pulmonaires.
- Un nouveau modèle d’apprentissage multimodal combine données cliniques et images médicales pour anticiper la réponse au traitement.
- Cette méthode surpasse les techniques existantes en termes de performance prédictive.
- Le code et les modèles développés sont mis à disposition du public pour faciliter la recherche.
Des chercheurs ont développé une nouvelle méthode d’apprentissage automatique capable de prédire la résistance au traitement chez les patients atteints de vascularite associée aux anticorps antineutrophiles (AAV) de type myéloperoxydase (MPO) présentant des atteintes pulmonaires. Cette vascularite, une inflammation des vaisseaux sanguins, peut être particulièrement difficile à traiter et nécessite une identification précoce des patients susceptibles de ne pas répondre aux thérapies standard.
L’approche innovante repose sur l’intégration de différents types de données : les paramètres cliniques habituels, les images issues de la tomodensitométrie (TDM) à haute résolution, et les résultats d’analyses biologiques. Pour affiner l’analyse des images CT, les chercheurs ont introduit un module de réintégration tenant compte des lésions et un module d’interaction entre coupes, permettant d’extraire des informations visuelles pertinentes sans nécessiter une délimitation manuelle des zones d’intérêt par des radiologues – une étape souvent longue et sujette à variation.
En parallèle, un modèle Transformer a été utilisé pour analyser les données cliniques et en extraire des informations sémantiques de haut niveau. Ces informations, combinées aux caractéristiques issues des images CT grâce à un module de fusion de fonctionnalités multimodales (MFFM), permettent de prédire avec une plus grande précision la probabilité de résistance au traitement.
Les performances de cette nouvelle méthode ont été évaluées sur un ensemble de données comprenant 151 patients, chacun disposant de données cliniques et d’images TDM. Les résultats, publiés dans la revue Traitement et contrôle du signal biomédical, démontrent une supériorité significative par rapport aux techniques antérieures, mesurée à l’aide de critères tels que l’aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), la sensibilité, la spécificité, la précision et le score F1.
« Les résultats expérimentaux montrent que notre méthode surpasse les méthodes précédentes et atteint des performances de pointe »,
Auteurs de l’étude
La capacité à identifier rapidement les patients atteints de MPO-AAV avec atteinte pulmonaire qui risquent de ne pas répondre aux traitements actuels est cruciale, car ces patients sont exposés à un risque accru de complications graves. Les chercheurs espèrent que cette nouvelle approche permettra d’optimiser les stratégies thérapeutiques et d’améliorer le pronostic de ces patients.
Le code source et les modèles entraînés sont disponibles publiquement sur GitHub, encourageant ainsi la collaboration et l’avancement de la recherche dans ce domaine.
Pour en savoir plus sur les symptômes de l’AAV et son traitement.
Cet article a été initialement publié sur RDA.