Prise de décision intelligente en MDT pour le traitement du NSCLC de stade III utilisant un double encodage et une explication à trois niveaux

Aide plus intelligente pour des choix complexes en cancer du poumon

Pour les personnes diagnostiquées avec une forme avancée de cancer du poumon, les choix de traitement peuvent être vertigineusement complexes — impliquant souvent chirurgie, radiothérapie, chimiothérapie, immunothérapie ou des combinaisons de ces options. Idéalement, un panel de spécialistes appelé équipe pluridisciplinaire (MDT) examine chaque cas et élabore un plan personnalisé. Mais dans de nombreux hôpitaux, en particulier là où les ressources sont limitées, la plupart des patients ne bénéficient jamais de ce niveau d’attention. Cette étude décrit un système d’intelligence artificielle (IA) conçu pour imiter — et expliquer — le raisonnement de telles équipes d’experts, dans le but d’apporter des conseils de qualité MDT à beaucoup plus de patients.

Pourquoi les décisions thérapeutiques sont si difficiles

Le carcinome pulmonaire non à petites cellules (NSCLC) est le type de cancer du poumon le plus courant dans le monde, et environ un patient sur trois est déjà au stade III au moment du diagnostic initial. À ce stade, les tumeurs et les ganglions lymphatiques peuvent être atteints de manières différentes, rendant le profil de la maladie propre à chaque patient. Par conséquent, il n’existe pas de chemin de traitement simple et universel. Les MDT réunissent chirurgiens, oncologues, radiologues et autres spécialistes pour peser tous les détails du dossier d’un patient et convenir d’un plan. Les études montrent que cette approche en équipe peut améliorer la survie et la qualité de vie, mais les réunions MDT prennent du temps et dépendent de personnels experts rares, si bien qu’en pratique seule une minorité de patients peut en bénéficier.

Transformer les dossiers médicaux en motifs exploitables

Pour combler cet écart, les chercheurs ont construit un modèle d’IA qui apprend à partir des cas ayant bénéficié d’un examen MDT puis propose des recommandations pour de nouveaux patients. Ils ont collecté les dossiers médicaux électroniques (DME) de 2 876 personnes atteintes d’un NSCLC de stade III traitées dans deux hôpitaux majeurs en Chine. Parmi ceux-ci, ils se sont concentrés sur 2 521 patients dont les traitements entraient dans six catégories courantes, comme la chirurgie, la chimioradiothérapie, ou la chimiothérapie combinée à l’immunothérapie ou à des thérapies ciblées. Plutôt que de s’appuyer sur quelques variables sélectionnées manuellement, le système lit des notes d’évolution riches en texte libre décrivant les examens d’imagerie, les analyses de laboratoire, les symptômes et les impressions cliniques, parallèlement à des détails de base tels que l’âge et le stade de la maladie.

Regarder les mots et les phrases, pas seulement les chiffres

Le cœur de l’approche réside dans la façon dont elle transforme le texte en quelque chose qu’un ordinateur peut exploiter. Le modèle utilise une stratégie d’« encodage à double niveau » : il représente les détails au niveau des mots tout en capturant le sens plus large des phrases entières. Pour les mots, il emploie un modèle de langue adapté au texte médical chinois et enrichi par un graphe de connaissances médicales, qui encode les relations entre maladies, médicaments, symptômes et procédures. Pour les phrases, il utilise un autre modèle entraîné pour saisir quelles phrases sont sémantiquement proches. Un mécanisme d’attention apprend ensuite à pondérer et combiner ces deux visions, produisant un résumé compact du dossier de chaque patient qui alimente un classifieur par réseau de neurones afin de prédire laquelle des six options de traitement une MDT aurait probablement choisie.

Rendre visible le raisonnement de l’IA

Parce que les médecins doivent pouvoir faire confiance aux conseils algorithmiques et les interroger, l’équipe a conçu le système pour qu’il soit explicable à trois niveaux : mot, groupe de mots et phrase. Les scores d’attention mettent en évidence quels mots et quelles phrases du dossier ont le plus influencé la recommandation — par exemple des descriptions de l’extension tumorale, de l’atteinte des ganglions lymphatiques ou de biomarqueurs clés. Une technique appelée flux d’attention (attention flow) retrace comment des groupes de mots, à travers les couches du modèle, se combinent en phrases signifiantes, pointant par exemple des éléments de preuve en faveur d’une chirurgie ou, au contraire, privilégiant des approches médicamenteuses. Ces explications à plusieurs niveaux permettent aux cliniciens de vérifier si le point d’intérêt de l’IA s’aligne sur leur propre lecture du dossier, plutôt que de recevoir une réponse en « boîte noire ».

Des prédictions à la survie dans le monde réel

Sur les cas revus par des MDT, le modèle a atteint plus de 85 % de précision, de précision positive, de rappel et de score F1, ce qui signifie que ses traitements suggérés correspondaient étroitement aux décisions des experts. Les chercheurs ont ensuite examiné ce qui est arrivé aux patients qui n’avaient jamais bénéficié d’une consultation MDT. Ils ont étiqueté chaque cas comme « concordant avec le modèle » si le traitement réel administré correspondait à ce que l’IA aurait recommandé, et « non concordant » sinon. Les patients du groupe concordant avec le modèle présentaient une survie nettement meilleure, avec des taux de survie à un, trois et cinq ans plus élevés et des courbes de survie de Kaplan–Meier clairement séparées. Même après ajustement pour l’âge, le sexe, le stade de la maladie et le fait que le cancer soit nouvellement diagnostiqué ou récurrent, recevoir un traitement concordant avec le modèle était associé à une réduction significative du risque de décès.

Ce que cela pourrait signifier pour les patients

En termes simples, le système d’IA a appris à imiter les choix d’experts pluridisciplinaires et à indiquer les faits clés du dossier de chaque patient qui motivent ces choix. Pour les hôpitaux où des réunions MDT complètes ne sont pas possibles pour tous les cas, un tel outil pourrait servir de second avis extensible : mettre en évidence des détails spécifiques au patient, suggérer les traitements probablement optimaux et signaler les cas qui méritent un examen d’équipe plus approfondi. Bien que l’étude soit limitée au NSCLC de stade III dans deux centres et nécessite des tests plus larges, elle suggère qu’une IA interprétable et soigneusement conçue pourrait aider à diffuser un soutien décisionnel de niveau spécialiste à un beaucoup plus grand nombre de personnes confrontées à des soins du cancer complexes.

Citation: Chen, Z., Chai, N., Wang, J. et al. Intelligent MDT treatment decision making for stage III NSCLC using dual level embedding and three level explanation. Sci Rep 16, 7807 (2026). https://doi.org/10.1038/s41598-026-39658-2

Mots-clés: cancer du poumon, recommandation de traitement, équipe pluridisciplinaire, IA médicale, résultats de survie