Source: The Conversation – France in French (3) – By Cyril Voyant, Research Director – Renewable Energy Forecasting & Applied Physics, Mines Paris – PSL
En couplant intelligence artificielle et modélisation mathématique, un consortium français d’équipes de recherche développe un outil pour, à terme, administrer, en fonction du profil de chaque patient, les doses d’iode radioactif utilisées pour traiter certains types de cancers de la thyroïde. Mais le chemin est encore long avant de voir émerger cette médecine quantitative, prédictive et personnalisée.
La radiothérapie métabolique par iode radioactif repose encore sur des protocoles standardisés qui ignorent la variabilité biologique des patients. (Appelée aussi radiothérapie interne vectorisée, la radiothérapie métabolique consiste à administrer les sources radioactives pour traiter les tumeurs par voie orale ou par perfusion intraveineuse, ndlr.)
En combinant intelligence artificielle prédictive et modélisation mathématique, une équipe française propose une approche radicalement plus précise : un traitement réellement personnalisé, ajusté patient par patient.
Un même traitement, des résultats radicalement différents
Prenons un exemple fictif. Sophie, 52 ans, et Thomas, 48 ans, partagent le même diagnostic : un cancer différencié de la thyroïde avec métastases. Tous deux reçoivent le protocole standard : 3,7 gigabecquerel (GBq) d’iode radioactif (iode 131) administré par voie orale en une seule injection. Six mois plus tard, le contraste est saisissant. Chez Sophie, les marqueurs tumoraux ont chuté de 90 % et les métastases régressent. Chez Thomas, aucune amélioration : sa tumeur continue de croître, insensible au traitement. Il est devenu réfractaire à l’iode radioactif.
Cette injustice biologique n’est pas une fatalité. Elle révèle l’un des défis majeurs de la cancérologie moderne : l’immense variabilité interindividuelle dans la réponse aux traitements. Un défi que la combinaison de l’intelligence artificielle et de la modélisation mathématique commence enfin à relever.
Le problème : surtraiter certains malades, en sous-traiter d’autres
Aujourd’hui, les protocoles de radiothérapie métabolique par iode radioactif reposent essentiellement sur des schémas standardisés, établis empiriquement depuis des décennies. Ces protocoles « taille unique » ignorent une réalité biologique fondamentale : tous les cancers ne se comportent pas de la même manière.
La différence entre Sophie et Thomas tient à un paramètre invisible à l’œil nu mais déterminant : le temps de doublement tumoral sous traitement (TD). Chez les répondeurs comme Sophie, le TD est long, parfois plusieurs mois ou années. Les cellules cancéreuses se divisent lentement. L’iode radioactif a le temps d’agir, de s’accumuler dans les cellules thyroïdiennes et de les détruire par irradiation interne. Des activités modérées souvent suffisent pour y arriver à bout.
Chez les non-répondeurs comme Thomas, le TD est court, quelques semaines seulement. Les cellules prolifèrent rapidement et peuvent même exprimer des mécanismes de résistance malgré une captation d’iode. Le schéma standard n’est pas adapté et les délais inter-cures trop longs, laissent à la tumeur tout le loisir de progresser entre les traitements.
L’enjeu est double : pour Sophie, éviter le surtraitement qui entraîne toxicités inutiles et risques de séquelles radio-induites (c’est-à-dire induites par la radiothérapie, ndlr) ; pour Thomas, intensifier et fractionner le traitement pour donner une chance à sa thérapie de fonctionner.
La solution hybride : quand l’IA prédit et la simulation optimise
C’est précisément ce défi que relève un consortium de recherche français inédit. Leur approche marie deux mondes habituellement séparés : l’intelligence artificielle prédictive et la simulation mathématique directe.
Dès les premières semaines suivant un traitement initial, l’intelligence artificielle (IA) analyse les trajectoires de thyroglobuline, un marqueur sanguin reflétant l’activité de la tumeur. En croisant ces données avec l’historique clinique, les paramètres biologiques et les résultats d’imagerie, l’IA apprend à identifier les profils de patients. Son rôle consiste à prédire en amont le temps de doublement tumoral ainsi que les paramètres cellulaires clés : taux de captation de l’iode, vitesse de prolifération, sensibilité à l’irradiation.
Ces prédictions, impossibles à obtenir jusqu’à présent autrement qu’en procédant à des biopsies répétées ou en faisant appel à des techniques d’imagerie médicale lourdes (scintigraphie corps entier à l’iode 131, tomographie par émission de positons – tomodensitométrie, TEP-TDM – au FDG, ou TEP à l’iode 124, complétées par des séquences IRM spécifiques), deviennent le socle d’une médecine véritablement personnalisée.
Une fois le profil biologique du patient établi par l’IA, intervient la modélisation par équations différentielles. Il ne s’agit plus de statistiques mais de physique et de biologie : le modèle simule, en temps réel, les dynamiques couplées entre la décroissance radioactive de l’iode injecté, l’évolution de la population de cellules tumorales et les variations du marqueur sanguin qui reflète l’activité de la tumeur (la thyroglobuline).
Grâce à ce « jumeau numérique hybride » (IA et modélisation déterministe) du patient, le clinicien peut tester virtuellement des dizaines de scénarios thérapeutiques en quelques secondes : faut-il augmenter ou réduire l’activité injectée ? Vaut-il mieux une injection unique ou plusieurs doses fractionnées ? Quand administrer la dose suivante pour maximiser l’effet tout en limitant la toxicité ? Le résultat est un schéma thérapeutique sur mesure, optimisé pour chaque patient.
Les enjeux : au-delà de la technique
Bien que de nombreux patients atteints de cancer thyroïdien pourraient être traités avec des doses moindres sans perte d’efficacité, certains ne répondent pas aux protocoles standards et deviennent réfractaires à l’iode. Pour ces derniers, chaque mois perdu en traitement inefficace est un mois où la tumeur progresse. Identifier précocement ces profils et adapter rapidement le protocole peut changer le pronostic.
L’outil en cours de développement, RAIR-Sim, n’est pas une boîte noire. Il restera sous contrôle médical total. Le médecin nucléaire pourra explorer les simulations, ajuster les hypothèses, confronter les résultats à son jugement clinique. L’IA et la simulation ne remplacent pas le médecin : elles augmentent sa capacité de décision.
Perspectives : vers une médecine quantitative
Ce projet illustre une tendance de fond en oncologie : le passage d’une médecine empirique vers une médecine quantitative, prédictive et personnalisée. Mais le chemin reste long. Des essais prospectifs sont nécessaires pour prouver l’intérêt clinique à grande échelle. Il faut intégrer ces outils dans les logiciels hospitaliers existants et former les oncologues et les médecins nucléaires à ces approches. Les outils d’aide à la décision par IA doivent également obtenir les marquages CE et autorisations sanitaires.
Les opportunités sont immenses : extension à d’autres cancers comme ceux du sein, de la prostate ou les lymphomes, couplage avec l’imagerie fonctionnelle, intégration de biomarqueurs moléculaires. L’alliance de l’IA et de la modélisation mathématique n’est pas qu’un exploit technique. C’est un changement de paradigme : chaque patient devient unique, chaque traitement devient une décision éclairée par des données, des prédictions et des simulations.
Sophie et Thomas ne devraient plus recevoir le même traitement. Grâce à une entente pluridisciplinaire, ils ne le recevront bientôt plus. La médecine personnalisée sort des laboratoires. Elle entre dans les services de médecine nucléaire, une équation à la fois.
Ce travail est mené par un consortium interinstitutionnel français réunissant l’Université de Corse (Mme Marie Fusella Giuntini et le professeur Laurent Capocchi), l’Université d’Aix-Marseille et l’Inserm (le professeur Dominique Barbolosi), l’École des Mines-PSL (le professeur Cyril Voyant) ainsi que l’Hôpital de la Timone à Marseille (le professeur David Taieb).
Le logiciel RAIR-Sim sera prochainement en accès libre. Les premières versions de test sont disponibles ici.
DT is a cofounder, stakeholder, and the chief medical officer (CMO) of SILON Therapeutics and reports receiving advisory board honoraria from Novartis.
Cyril Voyant, Dominique Barbolosi et Marie Fusella-Giuntini ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d’une organisation qui pourrait tirer profit de cet article, et n’ont déclaré aucune autre affiliation que leur poste universitaire.
– ref. IA et cancer de la thyroïde : demain, la fin des traitements standardisés ? – https://theconversation.com/ia-et-cancer-de-la-thyro-de-demain-la-fin-des-traitements-standardises-274352