Évaluation multicentrique d’une IA interprétable pour le diagnostic de la maladie coronarienne à partir de biomarqueurs PET

Pourquoi l’IA pour les scanners cardiaques est importante

La maladie coronarienne, accumulation de plaques pouvant bloquer le flux sanguin vers le cœur, demeure une des principales causes d’infarctus et de mortalité dans le monde. Les examens d’imagerie modernes comme la scintigraphie PET/CT peuvent révéler le flux sanguin, la fonction cardiaque et les dépôts calciques dans les artères, mais la quantité d’informations peut submerger même des lecteurs expérimentés. Cette étude explore comment un modèle d’intelligence artificielle interprétable peut rassembler ces éléments en un score unique et facile d’utilisation qui aide les médecins à détecter plus précisément les obstructions dangereuses — et à montrer clairement quelles observations motivent sa décision.

Rassembler de nombreux signaux cardiaques en une seule vue

Lorsqu’un patient passe un PET/CT cardiaque, les cliniciens peuvent voir la qualité du flux sanguin à travers le muscle cardiaque au repos et en stress, la force de contraction du cœur et la quantité de calcium — un indicateur d’accumulation de plaque à long terme — présente dans les artères coronaires. Traditionnellement, les cliniciens examinent ces mesures une par une puis les intègrent mentalement pour décider si les artères sont probablement rétrécies. Cette intégration mentale est difficile et parfois inconsistente, et il n’existe pas de méthode universellement acceptée pour pondérer ensemble le flux sanguin, les défauts de perfusion et les scores calciques. Les chercheurs se sont donnés pour objectif de construire un outil d’IA capable de combiner dix mesures de scanner de routine, plus le sexe du patient, en une probabilité unique de présence d’obstructions coronaires significatives.

Comment l’étude a été menée

L’équipe s’est appuyée sur un large registre international de 17 348 patients ayant subi un PET/CT cardiaque. Parmi ce groupe, ils se sont concentrés sur 1 664 personnes de quatre centres qui n’avaient pas d’antécédent d’infarctus ni de pontage et qui ont ensuite été soumises à une coronarographie invasive, l’examen de référence au colorant utilisé pour confirmer les artères bloquées. Les données d’un hôpital (386 patients) ont servi à entraîner et affiner le modèle d’IA, tandis que les données des trois autres hôpitaux (1 278 patients) ont été réservées pour un test réellement « externe ». Le modèle d’IA, basé sur une technique d’apprentissage automatique appelée XGBoost, utilisait dix caractéristiques dérivées du scanner, y compris le flux sanguin en stress, la réserve de flux sanguin, la taille des défauts de perfusion, les scores calciques mesurés automatiquement à partir des images CT, la force d’éjection et une mesure des changements de taille cardiaque sous stress.

Performance de l’IA

Sur le groupe de test externe, où environ la moitié des patients avaient effectivement une maladie coronarienne obstructive, le modèle d’IA a nettement dépassé à la fois les mesures isolées et les médecins expérimentés. En utilisant une métrique d’exactitude courante appelée aire sous la courbe ROC, l’IA a atteint une valeur de 0,83, contre 0,80 pour les scores cliniques d’experts, 0,79 pour la principale mesure de perfusion, 0,75 pour la réserve de flux sanguin et 0,69 pour le calcium seul. Lorsque les chercheurs ont ajusté le seuil pour que l’IA classe environ la même proportion de patients comme « normale » que les seuils traditionnels, l’IA a détecté davantage de patients à haut risque présentant une maladie multi‑tronculaire sévère. Sa performance était stable chez les hommes et les femmes, chez les patients plus jeunes et plus âgés, et chez les personnes avec ou sans obésité, ce qui suggère que l’approche est largement applicable.

Rendre la logique de l’IA visible

Une préoccupation majeure avec les algorithmes avancés en médecine est qu’ils peuvent fonctionner comme des « boîtes noires », fournissant des prédictions sans explications. Pour éviter cela, les auteurs ont utilisé une technique appelée analyse SHAP pour montrer quelles caractéristiques du scanner ont le plus influencé chaque prédiction individuelle. Dans l’ensemble de l’étude, les principaux facteurs déterminants étaient la quantité de muscle cardiaque présentant un flux réduit, la charge calcique globale et la réserve de flux sanguin. Par exemple, chez un patient présenté en exemple avec un flux sévèrement réduit et des résultats angiographiques à haut risque, l’IA a attribué une forte probabilité de maladie principalement en raison d’une faible réserve de flux. Chez un autre patient avec des scores de perfusion limitrophes mais un flux normal et un calcium nul, l’IA a correctement indiqué une faible probabilité de maladie, contrairement à une interprétation plus alarmiste du clinicien. Ces explications au cas par cas pourraient aider les cliniciens à faire confiance aux décisions assistées par l’IA et à les vérifier.

Ce que cela signifie pour les patients

Ce travail présente le premier système d’IA multicentrique, testé en externe, qui combine des mesures standard de PET/CT cardiaque et un score calcique automatisé pour diagnostiquer la maladie coronarienne. Le modèle fournit une estimation de risque unique et interprétable qui dépasse souvent la précision des lecteurs experts tout en mettant en évidence les caractéristiques du scanner à l’origine de chaque jugement. Bien que l’outil ne soit pas encore approuvé pour un usage clinique de routine et que des études prospectives supplémentaires soient nécessaires, il ouvre la voie vers un avenir où les résultats d’imagerie cardiaque sont synthétisés en scores de risque clairs et personnalisés, aidant les médecins à décider avec plus de confiance qui a besoin d’un test invasif ou d’un traitement agressif — et qui peut l’éviter en toute sécurité.

Citation: Zhang, W., Kwiecinski, J., Shanbhag, A. et al. Multicenter evaluation of interpretable AI for coronary artery disease diagnosis from PET biomarkers. npj Digit. Med. 9, 154 (2026). https://doi.org/10.1038/s41746-026-02338-6

Mots-clés: maladie coronarienne, PET CT cardiaque, intelligence artificielle, score calcique, flux sanguin myocardique