Publié le 2025-10-19 13:03:00. Une avancée majeure dans la lutte contre le cancer du sein : des chercheurs ont développé un système d’intelligence artificielle capable d’évaluer le risque de récidive avec une précision inédite, en combinant imagerie médicale et données cliniques.
- Une nouvelle IA évalue le risque de récidive du cancer du sein en analysant simultanément l’imagerie médicale et les informations cliniques des patientes.
- Ce système dépasse les approches actuelles en prenant en compte le contexte tissulaire entourant la tumeur, améliorant ainsi la détection de motifs subtils liés au risque de rechute.
- Testé sur plus de 500 patientes, le modèle atteint une précision élevée et une sensibilité accrue dans l’identification des cas à risque.
Fruit d’une collaboration internationale menée par l’Université Rovira i Virgili, ce modèle d’intelligence artificielle (IA) représente une avancée significative dans le domaine de l’oncologie. Il est conçu pour intégrer deux types de données cruciales : les images dynamiques par résonance magnétique avec contraste et les informations cliniques propres à chaque patiente. Là où les systèmes existants se focalisent souvent uniquement sur les caractéristiques intrinsèques de la tumeur, cette nouvelle approche adopte une perspective globale. Elle examine également le tissu mammaire environnant, permettant ainsi de déceler des schémas plus discrets tels que la symétrie entre les deux seins ou la texture interne de la masse tumorale, des éléments qui se sont avérés être des indicateurs de récidive potentielle.
Le fonctionnement de ce système repose sur une automatisation complète. Il procède d’abord à la segmentation des images de résonance magnétique, identifie ensuite les caractéristiques les plus pertinentes (forme, intensité et variations tissulaires), pour enfin fusionner ces données avec des informations médicales essentielles comme le type de tumeur, l’état des récepteurs hormonaux et le degré de malignité. L’ensemble de ces éléments est traité par un modèle de réseau neuronal avancé, baptisé TabNet, réputé pour sa capacité à gérer et interpréter des données complexes.
Précision et sensibilité accrues
Les essais cliniques menés auprès de plus de 500 patientes ont confirmé l’efficacité remarquable du système. Il affiche une précision globale parmi les plus élevées jamais enregistrées pour des modèles de ce type, et surtout, une sensibilité accrue dans la détection des cas présentant un risque réel de rechute.
« Cette sensibilité est essentielle, car elle nous permet de réduire les faux négatifs et d’éviter d’oublier des patientes qui pourraient nécessiter un suivi ou un traitement supplémentaire », explique Domènec Puig, chercheur principal du projet et membre du Département de génie informatique et de mathématiques de l’URV.
L’analyse des résultats a également permis de dégager les facteurs les plus prédictifs de récidive : une texture tumorale irrégulière, un manque de symétrie entre les seins, et l’état des récepteurs hormonaux. Ces indicateurs pourraient à l’avenir devenir de précieux outils, à la fois visuels et médicaux, guidant la prise de décision clinique.
Un outil prometteur pour les hôpitaux
Parmi les atouts majeurs de ce modèle figure sa flexibilité et son interprétabilité, le rendant potentiellement déployable dans les hôpitaux sans la nécessité de recourir à des tests génétiques invasifs ou coûteux. « À l’avenir, nous espérons valider cet outil avec des données provenant d’un plus grand nombre de centres pour garantir son application clinique à grande échelle », précise Domènec Puig.
Cette recherche s’inscrit dans le cadre du projet européen Bosomshield, soutenu par le programme des réseaux doctoraux Marie Skłodowska-Curie. Elle met en lumière le potentiel immense de la collaboration entre les technologies de pointe et la médecine, ouvrant la voie à une oncologie de plus en plus personnalisée et prédictive.
Référence bibliographique :
Khalid, A. et al. (2026). Towards Breast Cancer Recurrence Prediction using Transformer-based Learning from Global and Local Radiomics and Clinical Data. Dans : Zhang, T., et al. Artificial Intelligence and Imaging for Breast Care Diagnosis and Treatment Challenges. Deep-Breath 2025. Lecture Notes in Computer Science, vol 16142. Springer, Cham. https://doi-org.sabidi.urv.cat/10.1007/978-3-032-05559-0_12