Performance diagnostique de l’intelligence artificielle pour détecter la dissémination péritonéale et intestinale grêle dans le cancer épithélial de l’ovaire à partir de scanners injectés préopératoires

Pourquoi repérer la dissémination cachée est important

Pour les femmes atteintes d’un cancer de l’ovaire, ce que les médecins observent dans l’abdomen avant l’intervention peut faire la différence entre une opération curative et une intervention majeure qui laisse encore des tumeurs en place. Les petits foyers cancéreux qui tapissent la paroi abdominale et la surface de l’intestin grêle sont particulièrement problématiques. Ils sont difficiles à voir sur les examens de routine et peuvent empêcher les chirurgiens d’enlever toute la maladie en toute sécurité. Cette étude explore si l’intelligence artificielle (IA) peut lire les scanners injectés classiques plus efficacement que l’œil humain pour repérer cette dissémination cachée et orienter des plans de traitement plus sûrs et plus pertinents.

Comment le cancer de l’ovaire se propage discrètement

Le cancer épithélial de l’ovaire reste souvent méconnu jusqu’à ce qu’il ait semé l’abdomen de petits foyers tumoraux. Ces dépôts peuvent recouvrir la muqueuse interne de l’abdomen et les surfaces des organes, y compris les anses délicates de l’intestin grêle. Lorsque la charge tumorale est très élevée ou implique des zones critiques, les chirurgiens peuvent être incapables d’éliminer toute maladie visible, même lors d’opérations étendues. Pourtant, la survie est meilleure lorsque aucune tumeur n’est laissée en place. Aujourd’hui, les médecins s’appuient sur les scanners pour estimer l’étendue de la propagation, mais détecter des petits foyers — en particulier sur l’intestin grêle qui se replie et bouge — reste difficile. Dans certains cas, les chirurgiens doivent réaliser une intervention exploratrice uniquement pour décider si un retrait complet des tumeurs est possible.

Apprendre aux ordinateurs à lire les scans

L’équipe de recherche a rassemblé des scanners injectés de 227 femmes traitées pour un cancer de l’ovaire, des trompes de Fallope ou du péritoine primaire dans deux hôpitaux, obtenant 254 jeux de scans. Pour chaque patiente, ils savaient, d’après la chirurgie, si le cancer s’était propagé sur le péritoine et sur l’intestin grêle. En utilisant ces résultats du monde réel comme « clé de réponse », les auteurs ont entraîné deux systèmes d’apprentissage profond. Le premier, le P-Model, a appris à évaluer si les surfaces péritonéales en général portaient des dépôts tumoraux. L’autre, le SB-Model, s’est concentré spécifiquement sur la dissémination impliquant l’intestin grêle. Les deux systèmes reposaient sur une architecture neuronale compacte bien adaptée aux images médicales et ont été entraînés et testés à plusieurs reprises sur des regroupements de patientes différents pour vérifier la stabilité de leurs performances.

Quelle a été la performance réelle de l’IA

Lorsqu’elle a été testée sur des scans inconnus, l’IA a montré une précision prometteuse. Pour la dissémination péritonéale globale, le P-Model a correctement identifié les cas dans environ trois quarts des situations, avec une sensibilité autour des deux tiers et une spécificité supérieure aux quatre cinquièmes. En termes pratiques, il a manqué certains cas positifs tout en produisant relativement peu de faux positifs. Le système dédié à l’intestin grêle a fait encore mieux : le SB-Model a correctement classé plus de quatre patientes sur cinq, détectant environ 86 % des cas avec atteinte de l’intestin grêle tout en rassurant correctement à peu près 77 % des patientes sans atteinte. Ce niveau de sensibilité dépasse clairement les performances modestes rapportées pour la lecture standard des scanners dans des études antérieures, où de petits dépôts intestinaux restaient souvent indétectés.

Quand l’ordinateur a eu des difficultés

Les chercheurs ont aussi examiné les situations où l’IA a peu bien performé, définies comme étant correcte dans au plus un quart de ses décisions pour une patiente donnée. Fait notable, les radiologues humains avaient aussi des difficultés sur beaucoup de ces mêmes cas, ce qui suggère que certains profils de scan sont intrinsèquement difficiles à interpréter. L’équipe a constaté que l’IA avait tendance à surestimer la dissémination lorsque de grandes quantités de liquide remplissaient l’abdomen et que les marqueurs tumoraux sanguins étaient très élevés, et qu’elle sous-estimait parfois la maladie quand la charge tumorale et le volume liquidien étaient faibles. Ce schéma laisse penser que le système a peut‑être appris à s’appuyer fortement sur des indices visuels comme la présence de liquide autour des intestins, qui ne correspondent pas toujours précisément à la quantité réelle de tumeur présente.

Ce que cela pourrait signifier pour la prise en charge des patientes

Malgré ses limites, l’étude montre qu’un assistant IA lisant des scanners ordinaires peut améliorer de manière significative la détection d’une dissémination tumorale subtile, en particulier au niveau de l’intestin grêle, où les radiologues ont aujourd’hui le moins de confiance. Si ces outils sont testés et affinés davantage, ils pourraient aider les cliniciens à décider plus précisément qui bénéficiera probablement d’une chirurgie agressive en première intention et qui pourrait être mieux traité par chimiothérapie avant l’intervention. Les auteurs soulignent que l’IA ne remplacera pas le jugement d’experts ni la chirurgie exploratrice dans tous les cas, mais elle pourrait devenir un puissant œil supplémentaire, transformant l’imagerie existante en une carte plus fiable pour la chirurgie oncologique complexe.

Citation: Kim, R., Seki, T., Noda, K. et al. Diagnostic performance of artificial intelligence for detecting peritoneal and small bowel dissemination in epithelial ovarian cancer using preoperative contrast-enhanced CT imaging. Sci Rep 16, 8739 (2026). https://doi.org/10.1038/s41598-026-41728-4

Mots-clés: cancer de l’ovaire, intelligence artificielle, imagerie CT, métastase péritonéale, dissémination intestinale grêle