IA multimodale pour le dépistage opportuniste, la stadification et la stratification du risque de progression des maladies hépatiques stéatosiques

Pourquoi la graisse et la cicatrisation du foie importent pour tout le monde

La maladie du foie gras n’est plus rare ni marginale : environ un adulte sur trois dans le monde présente un excès de graisse au niveau du foie, et ce chiffre augmente. Chez beaucoup de personnes, la maladie reste silencieuse, mais chez d’autres elle provoque une cicatrisation dangereuse (fibrose), une cirrhose, un cancer du foie et des problèmes cardiaques. Parallèlement, des millions de personnes subissent déjà des TDM pour d’autres raisons — douleur thoracique, suivi de cancer ou bilans de santé — sans qu’on examine attentivement leur foie. Cette étude pose une question simple mais puissante : une intelligence artificielle (IA) pourrait‑elle analyser discrètement ces images existantes, détecter des maladies hépatiques cachées et aider les médecins à intervenir avant qu’un dommage grave ne survienne ?

Un nouvel assistant IA développé à partir de données hospitalières réelles

Les chercheurs ont développé un système d’IA multimodale appelé MAOSS (Multi‑modal AI for Opportunistic hepatic Steatosis Screening). Plutôt que de s’appuyer sur un seul type d’information, MAOSS combine trois sources : des images TDM 3D sans contraste du foie, des résultats de prises de sang standards et des données cliniques de base comme l’âge et la corpulence. L’équipe a entraîné le système sur plus de 2 000 patients d’un grand hôpital chinois, comprenant près de 1 000 patients dont le tissu hépatique avait été examiné au microscope (le standard de référence) et plus de 1 100 dossiers avec des comptes rendus radiologiques détaillés. Ce mélange a permis à l’IA d’apprendre à la fois à partir des labels les plus précis (biopsies) et des comptes rendus plus larges et faciles à collecter utilisés en pratique quotidienne.

Apprendre à l’IA à reconnaître la graisse et la cicatrice

MAOSS a été conçu pour répondre à deux questions clés à partir de chaque TDM : quelle quantité de graisse se trouve dans le foie (stéatose) et quel est le degré de cicatrisation éventuelle (fibrose). Pour cela, le modèle considère les stades de la maladie comme une échelle ordonnée — de l’absence à la forme sévère en passant par léger et modéré — et apprend à positionner chaque patient sur le bon échelon. Une architecture « multimodale » permet au système de gérer de manière souple les informations manquantes ; par exemple, il peut continuer à fonctionner si certains tests sanguins sont indisponibles et s’appuyer davantage sur l’imagerie. Les chercheurs ont également ajouté un outil d’explicabilité basé sur les « gradients intégrés », qui met en évidence les régions et les densités particulières de l’image hépatique qui influencent le plus la décision de l’IA, fournissant aux cliniciens une carte thermique des zones suspectes de stéatose.

Performance de MAOSS par rapport aux outils actuels

Testé sur des cohortes indépendantes de plusieurs hôpitaux — y compris une cohorte externe et un groupe avec des mesures de la graisse hépatique par IRM — MAOSS a montré une grande précision pour détecter même une stéatose légère, avec des aires sous la courbe ROC (AUC) autour de 0,90–0,93. Il a également bien performé pour identifier les fibroses cliniquement importantes, avec des AUC autour de 0,82–0,89. Ces scores étaient systématiquement supérieurs à ceux de modèles utilisant uniquement les images, uniquement les données cliniques, ou des mesures standard basées sur l’échographie comme l’élastographie transitoire. Dans une étude de lecture impliquant 11 radiologues, MAOSS a joué un rôle d’assistant : lorsque les médecins voyaient le score de l’IA en plus du TDM, leur capacité à détecter une stéatose au stade précoce s’améliorait notablement, en particulier pour distinguer un foie normal d’un foie présentant une maladie subtile.

Transformer les examens de routine en un réseau d’alerte précoce

L’équipe a ensuite évalué comment MAOSS pourrait fonctionner dans la réalité désordonnée de la pratique médicale quotidienne. Ils ont appliqué le système à plus de 18 000 TDM du monde réel provenant des services d’urgence, d’hospitalisés, d’ambulatoires et de centres de bilans de santé, dont la plupart avaient été demandés pour des motifs sans rapport avec le foie. Les évaluations de MAOSS (« foie graisseux » vs « pas de foie graisseux ») concordaient étroitement avec les comptes rendus des radiologues, notamment dans de larges cohortes de bilans de santé. Ensuite, ils ont intégré MAOSS dans une guideline clinique établie qui décide quels patients atteints de stéatose doivent être orientés vers des spécialistes. Dans un groupe confirmé par biopsie de 1 192 personnes, le parcours enrichi par MAOSS a identifié environ un tiers de patients supplémentaires à risque d’évolution vers une stéato‑hépatite ou une fibrose avancée par rapport à l’approche standard basée uniquement sur les mesures échographiques, tout en écartant de manière sûre les individus à faible risque.

Ce que cela signifie pour les patients et les soins futurs

Pour un non‑spécialiste, le message clé est que les mêmes TDM déjà réalisées pour d’autres problèmes de santé pourraient servir de système de dépistage discret pour les maladies hépatiques, sans rendez‑vous supplémentaires ni procédures invasives. En lisant automatiquement les images TDM conjointement avec les analyses sanguines courantes, MAOSS peut détecter plus tôt la stéatose et la cicatrisation préoccupante que les méthodes traditionnelles, aider les radiologues à repérer des maladies subtiles qu’ils pourraient autrement manquer et mieux classer les patients en risques faibles, intermédiaires et élevés d’évolution vers la cirrhose. Bien que les auteurs soulignent que des études plus larges et de plus longue durée sont nécessaires et que l’IA n’est pas parfaite, leurs résultats suggèrent que l’IA multimodale pourrait devenir un élément important de la prévention des maladies hépatiques sévères avant qu’elles n’évoluent silencieusement.

Citation: Gao, Y., Li, C., Chang, W. et al. Multi-modal AI for opportunistic screening, staging and progression risk stratification of steatotic liver disease. Nat Commun 17, 1562 (2026). https://doi.org/10.1038/s41467-026-68414-3

Mots-clés: maladie du foie gras, IA médicale, imagerie TDM, fibrose hépatique, dépistage opportuniste