Article

À Caen, une IA cherche à estimer la survie à partir d’IRM de patients atteints de glioblastome

Lors du test, le modèle a correctement classé 34 des 39 patients. Cette étude rétrospective doit encore être validée dans d'autres centres.

IRM cérébrale et intelligence artificielle

Au Centre François Baclesse, à Caen, des chercheurs ont entraîné une intelligence artificielle à répartir les patients atteints de glioblastome en catégories de survie à partir d’une IRM réalisée avant la chimio-radiothérapie. L’étude, publiée le 13 octobre 2026 dans la revue Frontiers in Radiology, est issue notamment des travaux de thèse de Noémie Moreau, soutenue à Baclesse le 12 novembre.

Le modèle ne cherche pas à déterminer si la tumeur répondra au traitement ni à annoncer une date de décès. Il classe rétrospectivement les patients en trois groupes selon leur durée de survie observée : 202 jours ou moins, plus de 202 jours et jusqu’à 420 jours, puis au-delà de 420 jours. Ces seuils sont calculés à partir des tiers de la population utilisée pour entraîner l’algorithme. Ce ne sont pas des catégories pronostiques reconnues en médecine.

Des études avaient déjà exploré la prédiction de survie à partir d’IRM préopératoires. D’autres, comme le projet britannique multicentrique GRASP, se sont appuyées sur des images prises après radiothérapie. La particularité de l’étude caennaise tient au moment de l’examen : une IRM réalisée pour préparer la chimio-radiothérapie, environ 13,5 jours avant le début de la radiothérapie.

34 patients correctement classés sur 39

Les chercheurs ont étudié 175 patients traités à Baclesse entre 2018 et 2023. À partir de leurs IRM cérébrales réalisées après injection de gadolinium, ils ont extrait 1 575 images, en sélectionnant neuf coupes centrales par patient.

Sur un groupe de test de 39 patients, le modèle fondé uniquement sur les images a correctement classé 34 personnes, soit une exactitude de 87,18 %. L’intervalle de confiance à 95 % s’étend toutefois de 76,92 à 97,44 %, ce qui traduit une incertitude importante compte tenu de la petite taille de l’échantillon.

Les chercheurs ont également essayé d’ajouter quatre informations cliniques : l’âge, le sexe, l’état général du patient et le type d’intervention chirurgicale. Le taux de bonnes classifications n’a pas augmenté : 33 patients sur 39, contre 34 avec les seules images. Le modèle combinant les données cliniques a néanmoins augmenté de façon significative la confiance de l’algorithme lorsqu’il identifiait la bonne catégorie de survie (p < 0,001). La différence d’exactitude entre les deux modèles n’est pas statistiquement significative.

Le problème des patients absents du calcul

Ces chiffres reposent cependant sur une population très sélectionnée. Sur 385 dossiers initialement recensés, seuls 175 ont été retenus. Parmi les exclusions figurent 42 patients encore vivants ou perdus de vue. Les chercheurs ont choisi de ne travailler que sur des personnes dont la durée de survie était connue, afin de pouvoir attribuer une catégorie certaine à chaque dossier.

Ce choix facilite l’entraînement du modèle, mais peut introduire un biais : les patients dont la survie est encore en cours ne sont pas représentés. L’étude ne démontre donc pas que les mêmes performances seraient obtenues sur l’ensemble des personnes qui commencent un traitement.

La validation dans d’autres centres se heurte aussi à une difficulté de calendrier. Les bases publiques disponibles comportent souvent des IRM diagnostiques réalisées environ 40 jours avant la radiothérapie. Pour une tumeur qui évolue rapidement, ces images ne sont pas équivalentes à celles prises au moment de préparer le traitement.

Baclesse a parallèlement publié CFB-GBM, une base de données ouverte de 264 patients atteints de glioblastome, avec des images avant et après traitement ainsi que des données de radiothérapie. Mais cette collection provient elle aussi du Centre Baclesse et concerne des patients décédés. Elle constitue une ressource pour d’autres chercheurs, pas une validation indépendante du modèle.

La recherche réunit le département d’intelligence artificielle du Centre Baclesse, l’ISTCT de l’Université de Caen et du CNRS à CYCERON, ainsi que le laboratoire GREYC de l’Université de Caen, de l’ENSICAEN et du CNRS. Soutenue par la Région Normandie dans le cadre du programme Booster IA, l’équipe devra maintenant confronter son modèle à des données provenant d’autres établissements, avec des IRM réalisées au même moment du parcours de soins.

Sources consultées
  1. Frontiers in RadiologyDeep learning prediction of overall survival in glioblastoma patients using pre-chemoradiotherapy MRI and clinical data
  2. Centre François BaclesseIntelligence artificielle et imagerie médicale : Noémie Moreau soutient sa thèse au Centre Baclesse
  3. The Cancer Imaging ArchiveCFB-GBM: Pre and post treatment MRI and radiotherapy plans of patients with glioblastoma
  4. Neuro-OncologyGlioblastoma and radiotherapy: A multicenter AI study for Survival Predictions from MRI (GRASP study)