LE QUOTIDIEN : Quels sont les domaines de la radiothérapie où l’intelligence artificielle (IA) présente, ou pourrait à court terme présenter, une valeur ajoutée ?
Dr ARNAUD BEDDOK : Lorsque l’on parle d’IA en radiothérapie, un document fait référence : les recommandations conjointes de l’Estro/AAPM 2024, l’European society for radiotherapy and oncology et l’American association of physicists in medicine (1). Ce guide de bonnes pratiques décrit les usages et les cadres méthodologiques pour l’intégration de ces outils. Actuellement, l’IA est déjà utilisée de manière courante avec des algorithmes de contourage automatique sur les organes à risque à partir du scanner de simulation lors de la planification de la radiothérapie. Si les corrections par le radiothérapeute restent limitées pour les organes à risque, elles sont plus fréquentes pour les volumes cibles.
Ensuite, il faut différencier les éléments qui ne relèvent pas encore réellement de l’IA mais correspondent à des algorithmes automatisant certaines tâches. C’est notamment le cas du recalage automatique entre le scanner de simulation et une autre modalité d’imagerie, comme l’IRM ou le TEP scan, lors du contourage, un recalage corrigé in fine par le médecin. Les dosimétristes et les physiciens médicaux utilisent également des algorithmes qui calculent automatiquement la façon dont sera déposée la dose, puis procèdent à des ajustements manuels (planification inverse en radiothérapie conformationnelle avec modulation d’intensité).
D’autres algorithmes d’IA sont en développement et appelés à se généraliser, d’abord sous forme d’outils d’aide à la décision médicale. Par exemple, l’IA peut proposer la conduite la plus adaptée en se basant sur différentes bases de données, recommandations ou expériences cliniques, du fait de sa capacité à exploiter simultanément de grandes quantités de données : cliniques, biologiques, anatomopathologiques, génétiques.
Mes propres recherches portent sur des algorithmes et des outils d’IA utilisant les images pour prédire l’évolution clinique, une forme d’aide à la décision médicale. Lors d’une deuxième radiothérapie pour une récidive de cancer ORL, 50 % des patients n’en tirent pas bénéfice, avec un décès survenant dans les deux ans qui suivent la réirradiation (2). L’approche développée permettrait, à partir des images acquises avant traitement, d’évaluer l’utilité réelle de la radiothérapie et de guider la décision thérapeutique.
Un autre usage de l’IA est l’adaptation en cours de traitement ; cette réévaluation nécessite de reprendre quasiment toutes les étapes, du contourage à la dosimétrie. Des outils d’IA permettent désormais de recalculer ces étapes beaucoup plus rapidement, et leur emploi est susceptible de se développer. L’avantage principal de ces outils réside dans le gain de temps. On peut aussi y voir une amélioration de la standardisation et de la qualité, à condition que les étapes de vérification restent robustes.
Les recommandations ESTRO/AAPM définissent trois principes clés : un développement de l’IA rigoureux, avec une formation appropriée, une validation interne et des tests sur des sous-ensembles selon des critères de sélection clairs ; la validation externe avant toute utilisation clinique afin d’assurer la généralisabilité des résultats ; l’assurance qualité continue avec un contrôle régulier et une supervision humaine tout au long de la mise en œuvre. Quel est, selon vous, le principe fondamental concernant l’IA ?
Si je devais en mentionner un, ce serait celui de la validation externe, essentielle avant l’utilisation clinique afin de garantir que les résultats soient généralisables. Lorsqu’un algorithme est développé, il l’est sur une population précise. Sans validation externe sur une cohorte indépendante, il est impossible d’affirmer son utilité réelle, sa pertinence clinique. Cela concerne autant les algorithmes de contourage automatique que les outils d’aide à la décision.
J’ai réalisé une revue de littérature en 2025 (3) sur la radiomique et la radiothérapie. Moins de 20 % des études incluaient une validation externe. Mais, aujourd’hui, il est rare qu’un outil d’IA ne comporte aucune validation. Mes messages clés : la validation et la supervision sont essentielles pour une mise en œuvre clinique sûre.
Il est aussi primordial de démontrer que l’algorithme est cliniquement pertinent, et pas seulement techniquement performant, car un contourage « correct » n’a de valeur que s’il impacte effectivement la prise en charge du patient : l’intégration clinique est plus importante que la performance technique.
Vous étudiez la réirradiation des cancers ORL. En quoi est-elle un cas d’école d’utilisation clinique de l’IA ?
Mon analyse a porté sur des patients ayant reçu une seconde session de radiothérapie. La littérature rapporte qu’environ 40 % de ces patients présentent une récidive locale dans les deux ans suivant la réirradiation, avec 35 % de toxicités sévères (grade 3), incluant notamment des ruptures carotidiennes et des nécroses cérébrales, et jusqu’à 10 % de décès liés aux ruptures carotidiennes (4). Dans une cohorte de l’Institut Curie, nous avons observé que 50 % des récidives locorégionales survenaient in-field, c’est-à-dire dans la région précédemment réirradiée.
Dans ce contexte, mon objectif était de développer une signature radiomique à partir des images TEP-FDG acquises avant réirradiation, afin de prédire la survenue d’une récidive locale et d’en déterminer la localisation par rapport au champ irradié (in-field ou outside). Nous avons identifié une signature radiomique atteignant une précision de 84,5 %, reposant sur quatre paramètres simples : deux paramètres de premier ordre, non texturaux (minimum de l’histogramme d’intensité et kurtosis), et deux paramètres de texture de second ordre (corrélation et contraste). Ces paramètres permettent de caractériser l’hétérogénéité métabolique du volume tumoral macroscopique récidivant (5).
La validation externe de ce modèle prédictif restait à réaliser. Elle a été conduite lors de ma mobilité de recherche à Harvard / Massachusetts General Hospital, où la performance du modèle atteignait 78 % (6). Ces résultats suggèrent que ce modèle de machine learning peut constituer une aide à l’identification des patients susceptibles de tirer le plus grand bénéfice d’une réirradiation.
La suite de ce travail se déploie désormais à l’échelle nationale, avec la constitution d’une cohorte de 500 patients dans le cadre du projet Opti-reRT, porté par Unitrad, le groupe radiothérapie d’Unicancer, et soutenu financièrement par la Ligue nationale contre le cancer (lauréat 2025). L’objectif est d’évaluer si, en fournissant directement les images TEP-FDG à un réseau de neurones, il est possible d’obtenir des performances comparables à celles observées avec des approches de machine learning classiques, tout en intégrant la prédiction de la survie globale à partir de données cliniques, dosimétriques et d’imagerie.
Le modèle reposera sur des méthodes d’apprentissage partiellement non supervisées, dont les mécanismes internes ne sont pas toujours entièrement transparents, mais permettant de classer les patients selon le risque de récidive (in-field ou outside) et de prédire la survie, avec une interprétabilité des résultats progressivement renforcée.
Pouvez-vous nous parler des erreurs de l’IA en contourage automatique ?
Celles-ci sont liées aux limites des algorithmes dans l’identification précise des structures anatomiques et des volumes tumoraux. Ces erreurs justifient le maintien d’une validation humaine systématique dans le workflow clinique. Dans ce contexte, un point est central : la formation des étudiants est un élément clé de la sécurité pour l’adoption de l’IA en radiothérapie.
À ce sujet, j’ai mené une étude avec des internes en radiothérapie portant sur le contourage automatique, avec un exemple qui montrait une parotide incomplètement dessinée. Certaines erreurs, relativement grossières, ont été facilement repérées. D’autres, beaucoup plus subtiles, (partie très antérieure de la parotide gauche…) n’ont pas été détectées par 60 % des internes ! Une IA peut produire des résultats qui semblent convaincants mais comportent des erreurs, sans indiquer clairement son niveau d’incertitude, ce qui peut induire en erreur si une relecture critique n’est pas effectuée. C’est exactement ce qui se produit dans le contourage automatique de la parotide gauche dans cet exemple : l’algorithme dessine sur l’imagerie CT un contour qui paraît correct à 90 %.
Dans l’enseignement des futurs médecins, il est essentiel d’apprendre à critiquer les résultats générés par ces systèmes, même si cette réalité pourrait évoluer dans les années à venir. Dans l’étude menée auprès de ces internes, aucun n’a coché la réponse « je ne sais pas si ce que produit l’IA est vrai », illustrant une tendance à la surconfiance.
Or, les sorties de ces outils comportent un pourcentage non négligeable d’erreurs, qu’il faut savoir détecter. Cette difficulté à prendre du recul face aux outils d’IA s’observe dans la population générale, mais aussi chez les médecins et les étudiants. C’est précisément le message porté par l’Estro et l’AAPM : ces solutions sont performantes et utiles, à condition de maintenir un esprit critique permanent.
En 2026, l’IA est puissante, mais non autonome en radiothérapie ?
Il faut rester extrêmement vigilant afin que ces outils ne deviennent pas trop autonomes. Une erreur non détectée sur une structure critique peut entraîner des conséquences majeures. Les pratiques de vérification et de traçabilité restent hétérogènes, avec un risque de surconfiance dans des sorties qui paraissent plausibles. Faire figurer une simple case sur les rapports de radiothérapie attestant que les contours automatiques ont été vérifiés me paraît essentiel.
Les systèmes d’IA sont perçus comme extraordinaires, car les réponses générées sont effectivement impressionnantes. Aujourd’hui, nous disposons encore des connaissances nécessaires pour les analyser de manière critique, car nous avons appris « sans l’IA ».
Et pour les étudiants qui n’ont pas connu « l’avant IA » ?
La situation est différente pour les jeunes médecins qui arrivent en formation sans cet apprentissage préalable. Il n’est probablement pas nécessaire de leur faire contourer manuellement toutes les structures de manière exhaustive, mais il est indispensable qu’ils maîtrisent l’anatomie et les points de vigilance pour auditer un contour automatique. Dans une formation moderne, au lieu de demander de contourer, je montrerais des contours déjà générés et je demanderais aux étudiants d’identifier les erreurs, comme je l’ai fait avec le jeu décrit précédemment.
C’est à mon sens une évolution profonde de l’enseignement : on n’enseigne plus les mêmes notions ni de la même manière.
La même logique s’applique à la décision médicale : on peut imaginer ne plus demander systématiquement aux futurs collègues de proposer une prise en charge à partir de zéro, mais de leur présenter une situation clinique, associée à plusieurs outils d’IA d’aide à la décision fournissant différentes propositions thérapeutiques, puis de leur demander laquelle leur paraît la plus appropriée et où se situent les erreurs. À mon sens, lorsque des formations de ce type seront généralisées, l’IA sera pleinement intégrée, à la fois dans la prise en charge des patients et dans l’enseignement médical.
(1) Hurkmans C, Bibault JE, Brock KK, van Elmpt W, Feng M, David Fuller C, Jereczek-Fossa BA, Korreman S, Landry G, Madesta F, Mayo C, McWilliam A, Moura F, Muren LP, El Naqa I, Seuntjens J, Valentini V, Velec M. A joint ESTRO and AAPM guideline for development, clinical validation and reporting of artificial intelligence models in radiation therapy. Radiother Oncol. 2024 Aug;197:110345. Epub 2024 Jun 3. PMID: 38838989
(2) Beddok A, Saint-Martin C, Krhili S, Eddine CA, Champion L, Chilles A, Goudjil F, Zefkili S, Amessis M, Peurien D, Choussy O, le Tourneau C, Dendale R, Buvat I, Créhange G, Calugaru V. Curative high-dose reirradiation for patients with recurrent head and neck squamous cell carcinoma using IMRT or proton therapy: Outcomes and analysis of patterns of failure. Head Neck. 2022 Nov;44(11):2452-2464. Epub 2022 Jul 25. PMID: 35875934
(3) Beddok A, Orlhac F, Rozenblum L, Calugaru V, Créhange G, Dercle L, Nioche C, Thariat J, Marin T, El Fakhri G, Buvat I. Radiomics-driven personalized radiotherapy for primary and recurrent tumors: A general review with a focus on reirradiation. Cancer Radiother. 2024 Nov;28(6-7):597-602. Epub 2024 Oct 15. PMID: 39406602
(4) Beddok A, Willmann J, Embring A, Appelt AL, Balermpas P, Chua K, Choi JI, Elger BS, Gabrys D, Hoskin P, Niyazi M, Pasquier D, Paradis K, Kaidar-Person O, Plaisier C, Schmitt NC, Steuer CE, Thariat J, Yom SS, Poortmans P, Vasquez Osorio E, Andratschke N. Reirradiation: Standards, challenges, and patient-focused strategies across tumor types. CA Cancer J Clin. 2025 Nov-Dec;75(6):630-666. Epub 2025 May 29. PMID: 40438993; PMCID: PMC12593330
(5) Beddok A, Orlhac F, Calugaru V, Champion L, Ala Eddine C, Nioche C, Créhange G, Buvat I. [18F]-FDG PET and MRI radiomic signatures to predict the risk and the location of tumor recurrence after re-irradiation in head and neck cancer. Eur J Nucl Med Mol Imaging. 2023 Jan;50(2):559-571. Epub 2022 Oct 25. PMID: 36282298
(6) Beddok A, Grogg K, Nioche C, Rozenblum L, Orlhac F, Calugaru V, Crehange G, Shih HA, Marin T, Buvat I, El Fakhri G. Predicting tumor recurrence site after reirradiation in head and neck cancer: a retrospective external validation of a published [18F]-FDG PET radiomic signature. Radiol Med. 2025 Nov;130(11):1854-1863. Epub 2025 Aug 20. PMID: 40833475.
Dr Vincent Pradeau (Avenir Spé) : « Les spécialistes libéraux sont mobilisés et remontés comme jamais ! »
Le pilotage de précision des grossesses sous immunosuppresseurs
Sarcoïdose : souvent thoracique, mais pas que
Savoir évoquer une dermatose neutrophilique