Intelligence artificielle
L’utilisation de l’IA en urologie
L’intelligence artificielle (IA) s’impose aujourd’hui comme un outil incontournable du quotidien, y compris en médecine. En urologie aussi, son utilisation et sa valeur ajoutée sont de plus en plus reconnues.
Dans le domaine médical, certains secteurs thérapeutiques ont déjà intégré l’IA depuis longtemps. On peut notamment citer la prise en charge du diabète à l’aide de capteurs et de pompes. Mais en urologie aussi, l’IA trouve désormais sa place. Le sujet a d’ailleurs été largement abordé lors du dernier congrès de l’Association européenne d’urologie (EAU).
IA et modèles statistiques
Le Dr Pieter De Backer (Azorg Aalst) a introduit le sujet en exposant les principes de base : alimentation, entraînement, test et validation des modèles d’IA.
Alors que les modèles statistiques sont limités par le nombre de variables, les modèles d’IA sont quasiment illimités et peuvent traiter des ensembles de données très volumineux (jusqu’à des centaines de milliards de paramètres) et très hétérogènes. Ils sont capables de détecter des relations complexes et non linéaires, imperceptibles pour l’œil humain.
Cette hétérogénéité permet de combiner des données issues de sources et de formats variés. Par exemple, lors d’une intervention chirurgicale, on distingue des données préopératoires (données démographiques, antécédents médicaux, comorbidités, résultats biologiques, imagerie scanner/IRM), des données peropératoires (vidéos, détails des instruments et des techniques utilisés) et des données postopératoires (rapports histopathologiques, durée et évolution de la convalescence, complications, etc.).
Lorsque l’ensemble de ces données est intégré dans un même modèle, on parle d’intégration multimodale des données. Celle-ci permet d’obtenir une vision holistique du patient, servant de base à l’ajustement et à la standardisation des traitements futurs.
Chirurgie 4.0
Au début du siècle dernier, la chirurgie urologique a connu une première avancée majeure avec la description précise de l’anatomie. Ont suivi la chirurgie reconstructrice et la chirurgie mini-invasive. Aujourd’hui, nous entrons dans l’ère de la chirurgie numérique, ou chirurgie 4.0 : les données issues de différentes sources sont transmises en temps réel pendant l’intervention vers le cloud grâce à la robotique, où elles sont combinées, analysées et traitées avant d’être renvoyées au chirurgien. Celui-ci, sans devoir se trouver à la table d’opération, peut alors prendre ses décisions à distance et piloter le robot.
‘Deep Learning’
Le deep learning va encore plus loin : il ne se limite pas à combiner, analyser et proposer des décisions selon un algorithme préétabli. Il s’agit d’une forme avancée d’intelligence artificielle qui permet aux systèmes informatiques d’apprendre à partir de grandes quantités de données, de manière comparable au fonctionnement du cerveau humain.
Le deep learning repose sur des réseaux neuronaux artificiels (ANN), c’est-à-dire des algorithmes qui miment le fonctionnement des neurones du cerveau. Contrairement aux logiciels traditionnels, un modèle de deep learning n’a pas besoin d’être programmé explicitement pour chaque règle. Il apprend de manière autonome à reconnaître des motifs, par exemple dans des images, des sons ou du texte.
L’IA comme outil prédictif
Pour appliquer le deep learning, on part d’une question, explique le Dr De Backer. Par exemple : comment mesurer de manière optimale le volume des calculs rénaux ? En pratique, seuls 3 % des urologues mesurent ce volume en routine, et les résultats varient selon la méthode utilisée.
Pourtant, cette donnée peut être utile pour mieux évaluer la complexité chirurgicale et le résultat attendu. En intégrant dans un modèle d’IA des données pertinentes, telles que les images CT natives (avant reconstruction) et les caractéristiques des calculs rénaux, le système peut apprendre à identifier les calculs, à en mesurer précisément le volume et à en déterminer la composition exacte.
Le deep learning est une technologie permettant aux systèmes informatiques d’apprendre à partir de grandes quantités de données, de manière comparable au fonctionnement du cerveau humain.
L’IA comme aide au diagnostic
Le Pr P. Dasgupta (King’s College London) aborde l’IA comme une aide au diagnostic. Les applications sont nombreuses : tant pour les tumeurs rénales (dont 30 % des petites masses sont bénignes) que pour les tumeurs de la vessie et de la prostate, l’IA permet de distinguer les lésions bénignes, ne nécessitant pas d’exérèse, des lésions nécessitant une exérèse. Il cite notamment AutoProstate, un système basé sur le deep learning pour l’évaluation du cancer de la prostate.
AutoProstate utilise des données des patients et des IRM biparamétriques pour générer automatiquement un rapport en ligne. Celui-ci comprend quatre parties : les données du patient, la taille et le volume de la prostate, ainsi que la densité du PSA, un aperçu des lésions suspectes et un résumé. AutoProstate a été entraîné à partir de la base de données publique PROSTATEx, puis validé à l’aide de la base de données PICTURE.
L’IA en chirurgie urologique
Les interventions assistées par ordinateur ont le potentiel de transformer radicalement la chirurgie moderne. Une salle d’opération regorge de données : instruments et dispositifs médicaux, écran d’endoscopie, imagerie, éclairage, matériel d’anesthésie, etc. Idéalement, l’ensemble de ces informations devrait être intégré dans un seul modèle.
L’une des limites des modèles d’IA actuels est l’absence de modélisation temporelle (c’est-à-dire la prise en compte du facteur temps), ce qui conduit à une compréhension spatio-temporelle incomplète. Pour y remédier, le modèle SurgVISTA (Surgical Video-level Spatial-Temporal Architecture) a été développé. Il s’appuie sur une vaste base de données de vidéos chirurgicales (3.650 vidéos, 3,55 millions d’images), couvrant plus de 20 procédures chirurgicales.
Un regard vers l’avenir
Le partage des données des patients reste un sujet sensible, mais il est possible que différents centres utilisent un même modèle, y intègrent leurs propres données, puis partagent les résultats obtenus. De cette manière, les modèles peuvent apprendre les uns des autres et améliorer leurs performances.
C’est, selon le Pr A. Dekker (Université de Maastricht), la voie à suivre, et le projet DigiONE en constitue un bon exemple. Digital Oncology Network for Europe (DigiONE) est un projet pilote européen visant à identifier les traitements optimaux contre le cancer en exploitant les données issues de chaque patient, et non plus uniquement celles provenant d’essais cliniques. L’IA ne peut être utilisée ici qu’à condition d’être alimentée par des données détaillées et comparables issues de la pratique clinique courante.
Références
1. Mehta P, Antonelli M, Singh S, et al.. AutoProstate: Towards Automated Reporting of Prostate MRI for Prostate Cancer Assessment Using Deep Learning. Cancers (Basel). 2021 Dec 6;13(23):6138. doi: 10.3390/cancers13236138.
2. Yang S, Zhou F, Mayer L, et al. Large-scale self-supervised video foundation model for intelligent surgery. NPJ Digit Med. 2026 Feb 4;9(1):220. doi: 10.1038/s41746-026-02403-0.
3. Mahon P, Chatzitheofilou I, Dekker A, et al A federated learning system for precision oncology in Europe: DigiONE. Nat Med. 2024 Feb;30(2):334-337. doi: 10.1038/s41591-023-02715-8. PMID: 38195748.
