Un système d'IA détecte 15 cancers du foie non diagnostiqués dans un essai clinique portant sur 10 000 patients
Un outil de diagnostic par IA pour la détection des tumeurs malignes du foie sur scanner a atteint une AUC de 0,952 dans un essai prospectif et a mis en évidence 51 lésions passées inaperçues.
Résumé
Le cancer du foie est l'une des tumeurs malignes liées à l'âge les plus létales, et les diagnostics manqués ou tardifs constituent un problème persistant dans les services de radiologie surchargés. Des chercheurs ont développé LiON, un système d'IA qui analyse des scanners CT avec injection de produit de contraste afin de détecter les tumeurs malignes du foie. Entraîné sur plus de 6 400 patients, LiON a été validé sur plus de 22 000 patients dans plusieurs centres, atteignant une précision remarquable (AUC 0,975). Un essai prospectif en bras unique portant sur plus de 10 000 patients a confirmé de solides performances en conditions réelles (AUC 0,952). Fait crucial, la collaboration homme-IA a permis de découvrir 51 lésions précédemment manquées par les radiologues, dont 15 tumeurs malignes confirmées, et a entraîné la modification de 37 comptes rendus radiologiques ainsi que 22 escalades vers des équipes pluridisciplinaires en oncologie. Cette étude représente l'un des plus grands essais d'IA en radiologie pour la détection du cancer du foie à ce jour.
Résumé détaillé
Les tumeurs malignes hépatiques, notamment le carcinome hépatocellulaire et les maladies métastatiques, sont principalement des maladies liées au vieillissement et sont fréquemment évaluées par tomodensitométrie avec injection de produit de contraste (CE-CT). Les diagnostics manqués ou tardifs ont des conséquences graves sur la survie, ce qui fait des filets de sécurité diagnostiques à grande échelle un besoin clinique critique non satisfait en oncologie et en médecine de la longévité.
Des chercheurs ont développé LiON (Liver DiagnOsis Network), un système d'IA conçu pour traiter des scanners CE-CT avec une entrée multiphase flexible, intégrer des données cliniques et s'insérer de manière transparente dans les flux de travail radiologiques existants. LiON a été entraîné sur 6 443 patients et validé rétrospectivement sur une cohorte combinée de 22 251 patients issus de contextes multicentrique et en conditions réelles, incluant des populations présentant une stéatose hépatique et une cirrhose — deux pathologies hépatiques liées à l'âge qui compliquent le diagnostic.
Lors de la validation rétrospective, LiON a atteint une AUC de 0,975 (IC 95 % : 0,971–0,979) pour le diagnostic des malignités. Les performances sont restées robustes dans le sous-groupe stéatose (AUC 0,971) et dans le sous-groupe cirrhose (AUC 0,924), deux contextes cliniquement difficiles où les lecteurs humains peinent fréquemment.
L'équipe a ensuite mené un essai clinique prospectif à bras unique incluant 10 333 patients en pratique clinique courante. LiON a été déployé comme lecteur IA additionnel aux côtés des radiologues. L'essai a atteint son critère de jugement principal avec une AUC de 0,952 (IC 95 % : 0,942–0,961). De manière notable, la collaboration homme-IA a permis d'identifier 51 lésions précédemment non détectées, dont 15 se sont révélées malignes. Cela a conduit à 37 comptes rendus radiologiques modifiés, 22 escalades en réunion de concertation pluridisciplinaire et des modifications directes de la prise en charge clinique chez un sous-groupe de patients.
Ces résultats suggèrent que la radiologie augmentée par l'IA peut réduire de manière significative les échecs diagnostiques dans le cancer du foie — une maladie pour laquelle une détection plus précoce se traduit directement par davantage d'options thérapeutiques et une meilleure survie. Les réserves incluent le schéma à bras unique, la prédominance de données issues d'hôpitaux chinois limitant la généralisabilité mondiale, et l'absence d'un bras contrôle randomisé permettant de quantifier l'impact sur la survie. Ce résumé est basé sur l'abstract uniquement.
Principales conclusions
- LiON achieved AUC 0.975 across 22,251 patients in multicenter retrospective validation.
- Prospective trial in 10,333 patients confirmed AUC 0.952, meeting the primary endpoint.
- AI-human collaboration uncovered 51 overlooked lesions, including 15 confirmed malignancies.
- 37 radiology reports were amended and 22 cases escalated to multidisciplinary cancer teams.
- Robust performance maintained in patients with cirrhosis (AUC 0.924) and hepatic steatosis (AUC 0.971).
Méthodologie
LiON a été entraîné sur 6 443 patients ayant bénéficié d'une CE-CT et validé rétrospectivement sur 22 251 patients issus de cohortes multicentriques. Un essai prospectif à bras unique (NCT07153783) a inclus 10 333 patients en pratique clinique de routine, LiON opérant en tant que lecteur IA supplémentaire aux côtés des radiologues. Le critère d'évaluation principal était une borne inférieure de l'AUC supérieure à 0,900.
Limites de l'étude
L'étude utilise un plan à bras unique sans comparateur randomisé, ce qui empêche de quantifier directement le bénéfice sur la survie apporté par le diagnostic assisté par l'IA. Le jeu de données provient principalement de systèmes hospitaliers chinois, ce qui peut limiter la généralisabilité à d'autres contextes de soins et populations de patients. Plusieurs auteurs sont employés d'Alibaba et la société a déposé des brevets connexes, ce qui représente un conflit d'intérêts notable. Ce résumé est fondé uniquement sur le résumé de l'article ; la méthodologie complète, les détails des sous-groupes et les données de sécurité ne sont pas disponibles pour examen.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :