Diagnostic et stratification des néoplasmes folliculaires thyroïdiens assistés par intelligence artificielle : étude multicentrique

Pourquoi cela compte pour les personnes ayant des nodules thyroïdiens

Beaucoup de gens découvrent des nodules thyroïdiens lors de bilans de routine et traversent ensuite des semaines d’angoisse en attendant de savoir si la masse est bénigne ou cancéreuse. Cette étude examine si l’intelligence artificielle (IA) peut interpréter les images échographiques d’un groupe particulier de lésions thyroïdiennes — appelées néoplasmes folliculaires — avec une meilleure précision que des experts humains, permettant aux patients d’éviter des chirurgies inutiles tout en s’assurant que les tumeurs dangereuses ne passent pas inaperçues.

Quand le bénin et le malin se ressemblent

Les tumeurs folliculaires de la thyroïde se présentent sous deux formes principales : les adénomes, qui sont bénins, et les carcinomes, qui peuvent envahir les vaisseaux sanguins et métastaser. Au microscope comme à l’échographie, ces tumeurs paraissent souvent remarquablement similaires. Même des radiologues et pathologistes expérimentés peuvent éprouver des difficultés à les distinguer avant la chirurgie, ce qui conduit de nombreux patients à subir l’ablation d’une moitié ou de la totalité de la thyroïde juste pour obtenir un diagnostic définitif. Les enjeux sont importants : certains carcinomes sont faiblement invasifs et ont un bon pronostic, tandis que d’autres sont plus agressifs ; connaître le type exact peut donc influencer l’étendue de la chirurgie et le suivi nécessaires pour le patient.

Apprendre à un ordinateur à lire les échographies thyroïdiennes

Les chercheurs ont constitué l’une des plus grandes collections d’images échographiques de néoplasmes folliculaires à ce jour, en s’appuyant sur 2 567 patients provenant de 31 hôpitaux à travers la Chine. Pour chaque nodule, des radiologues ont délimité la région pertinente sur des images échographiques standards en noir et blanc. Un système moderne d’apprentissage profond, basé sur une architecture visuelle connue sous le nom de ConvNeXt, a ensuite été entraîné par étapes. D’abord, il a appris à distinguer les adénomes bénins des carcinomes. Ensuite, parmi les carcinomes, il a appris à les classer en sous-types moins ou plus invasifs, qui correspondent approximativement à des maladies à risque faible, intermédiaire et élevé. L’équipe a testé différents types d’informations échographiques et a constaté que les simples images en mode B — les scans standard en niveaux de gris — étaient plus fiables pour l’IA que les images en couleur montrant le flux sanguin, dont la qualité variait trop.

Performance de l’IA en conditions réelles

Pour vérifier si le système se comportait bien en dehors des laboratoires où il a été développé, les auteurs l’ont testé sur trois cohortes indépendantes de patients provenant d’autres hôpitaux, chacune présentant des proportions différentes de tumeurs bénignes et malignes. Dans ces centres, l’IA a montré des performances constamment solides pour séparer les adénomes des carcinomes, avec des mesures d’exactitude (valeurs AUC) autour de 0,82 à 0,85. Elle s’est également bien comportée pour sa tâche plus exigeante : classer les tumeurs en trois groupes — bénin, cancer faiblement invasif et cancer plus agressif — en maintenant une performance élevée dans tous les hôpitaux. Il est important de noter que le modèle fonctionnait à peu près aussi bien pour les hommes que pour les femmes, pour différentes approches chirurgicales et dans la plupart des régions géographiques, ce qui suggère qu’il pourrait être utile dans un large éventail de contextes cliniques.

Travailler aux côtés des radiologues, pas à leur place

L’étude a aussi posé une question pratique : cette IA aide-t-elle réellement les médecins à prendre de meilleures décisions ? Lorsque les radiologues n’utilisaient que les systèmes de score établis pour l’échographie thyroïdienne, leurs performances pour identifier les carcinomes étaient sensiblement inférieures à celles de l’IA. Lorsqu’on leur a montré la sortie de l’IA et ses « cartes d’attention » mises en évidence sur les mêmes images, leur précision a augmenté et, dans certains cas, s’est presque alignée sur celle de l’ordinateur. Les médecins juniors ont été les plus bénéficiaires, mais même les spécialistes chevronnés ont gagné un avantage. Parallèlement, l’analyse des cas mal classés par l’IA a révélé une faiblesse clé : sur ces images, le système avait tendance à se focaliser sur des zones en dehors de la véritable tumeur plutôt que sur les caractéristiques internes suspectes, ce qui indique les pistes d’amélioration nécessaires.

Ce que cela pourrait signifier pour les patients

En termes simples, ce travail suggère qu’une IA bien entraînée peut servir de seconde paire d’yeux très cohérente lorsque les médecins lisent des échographies thyroïdiennes. Pour les patients porteurs de nodules thyroïdiens folliculaires, un tel outil pourrait augmenter les chances de reconnaître un carcinome dangereux avant la chirurgie, tout en réduisant la probabilité qu’un adénome bénin entraîne un traitement excessivement agressif. Le modèle n’est pas destiné à remplacer le jugement d’experts et doit encore être testé dans d’autres pays et sur des populations de patients plus variées. Mais intégré à une station de travail échographique ou à un appareil, il pourrait bientôt aider à adapter la chirurgie et le suivi au niveau de risque réel de chaque personne, transformant une zone jusque-là incertaine du diagnostic thyroïdien en une trajectoire plus claire.

Citation: Li, J., Zhang, H., Zheng, H. et al. Artificial intelligence-enabled ultrasound diagnosis and stratification of follicular thyroid neoplasms: a multi-center study. npj Digit. Med. 9, 313 (2026). https://doi.org/10.1038/s41746-026-02489-6

Mots-clés: échographie de la thyroïde, néoplasme folliculaire, intelligence artificielle, stratification du risque de cancer, imagerie médicale