Un modèle d'IA détecte la sarcopénie chez les patients atteints de cancer gastrique avec une AUC de 0,89

La sarcopénie — perte progressive de la force musculaire squelettique, de la masse musculaire et des performances physiques — est à la fois un marqueur caractéristique du vieillissement et un puissant prédicteur indépendant d'une mauvaise survie chez les patients atteints de cancer gastrique. Or, le diagnostic conventionnel requiert la réalisation conjointe d'un test de force de préhension, d'une mesure de la vitesse de marche et d'une quantification musculaire par scanner — un processus laborieux qui limite son utilisation clinique en routine. Cette étude, publiée dans le <em>Journal of Cachexia, Sarcopenia and Muscle</em>, visait à construire et valider un modèle d'IA multimodal entièrement automatisé, capable d'identifier la sarcopénie et la sarcopénie sévère directement à partir de scanners préopératoires, combinés à des variables cliniques de base.

L'étude a recruté 1 067 patients atteints d'un cancer gastrique confirmé histologiquement, issus de deux centres médicaux chinois (978 du Centre 1, 89 du Centre 2). La cohorte était composée à 73,3 % d'hommes et à 26,7 % de femmes. Le diagnostic de sarcopénie a été établi selon les critères EWGSOP2 : faible force de préhension (< 28 kg chez l'homme, < 18 kg chez la femme) associée à un faible indice musculaire squelettique (SMI) au niveau de la vertèbre L3 (< 40,8 cm²/m² chez l'homme, < 34,9 cm²/m² chez la femme). La sarcopénie sévère nécessitait en outre une vitesse de marche < 1,0 m/s. Les images scanographiques au niveau L3 ont été automatiquement segmentées à l'aide du logiciel TotalSegmentator. À partir de ces images segmentées, 1 288 caractéristiques radiomiques ont été extraites, puis réduites par filtrage de corrélation de Spearman et régression LASSO avec validation croisée à 10 plis.

L'équipe a développé quatre modèles de complexité croissante. Un modèle XGBoost basé uniquement sur la radiomique a atteint des AUC de 0,85 (validation) et 0,80 (test externe). Un modèle d'apprentissage profond 2D utilisant l'architecture ResNet50 a atteint des AUC de 0,79 et 0,80, tandis que le modèle 2,5D — utilisant trois coupes CT consécutives au niveau L3 comme entrée à trois canaux — a surpassé la version 2D avec des AUC de 0,81 et 0,83. Un modèle de fusion XGBoost combinant variables cliniques, radiomique et caractéristiques d'apprentissage profond 2,5D a atteint des AUC de 0,85 et 0,86. Le modèle phare dit « modèle de sarcopénie », une architecture multimodale à base de transformer fusionnant les trois flux de données via un encodeur à attention à 8 têtes, a affiché les meilleures performances : des AUC de 0,95, 0,87 et 0,89 pour l'identification de la sarcopénie dans les ensembles d'entraînement, de validation et de test externe, respectivement. Pour la sarcopénie sévère, les AUC étaient de 0,93, 0,85 et 0,84 sur ces mêmes ensembles.

L'analyse de survie de Kaplan–Meier réalisée sur la cohorte du Centre 1 (avec un suivi ≥ 5 ans après chirurgie) a confirmé que les patients atteints de sarcopénie présentaient une survie globale significativement plus faible que ceux qui n'en étaient pas atteints (p < 0,05), validant ainsi les enjeux cliniques d'une détection précise. L'analyse des courbes de décision a montré que le modèle de sarcopénie apportait un bénéfice net clinique supérieur aux approches monomodales sur une large plage de probabilités seuils, suggérant son utilité pratique au-delà de sa seule supériorité statistique.

Pour la communauté de la longévité et de l'espérance de vie en bonne santé au sens large, ces travaux comportent plusieurs implications qui dépassent le cadre du cancer gastrique. La sarcopénie est l'un des phénotypes du vieillissement modifiables les plus déterminants — associée aux chutes, aux hospitalisations, au déclin fonctionnel et à la mortalité chez les personnes âgées en général. Automatiser sa détection via l'infrastructure scanographique existante, sans recourir à des tests physiques supplémentaires, pourrait transformer le dépistage à l'échelle populationnelle. L'architecture de fusion à base de transformer pourrait également servir de modèle pour l'intégration de données multimodales dans d'autres contextes de sarcopénie, notamment la perte musculaire liée à l'âge dans des populations non cancéreuses. Parmi les réserves à formuler figurent le caractère rétrospectif de l'étude, une cohorte de patients majoritairement d'origine chinoise limitant la généralisabilité des résultats, et la nécessité d'une validation prospective avant tout déploiement clinique.