Les IRM cérébrales regorgent d'informations, mais une grande partie d'entre elles reste aujourd'hui inexploitable. En cause : des données difficiles à interpréter, incomplètes ou trop complexes pour les outils actuels. Une étude publiée dans Nature Neuroscience avance une solution inattendue, qui pourrait redéfinir le rôle de l'IA en médecine.

Une IA entraînée, sans diagnostic, capable de comprendre le cerveau

Contrairement aux modèles classiques, BrainIAC n'a pas été nourri de milliers d'IRM soigneusement étiquetées par des médecins. Il a d'abord appris seul, en analysant de vastes ensembles d'images cérébrales brutes, issues aussi bien de cerveaux sains que pathologiques.

Ce type d'apprentissage, dit auto-supervisé, permet à l'IA d'identifier par elle-même des régularités : formes, volumes, textures, symétries ou anomalies subtiles. Elle construit ainsi une compréhension générale des variations normales et pathologiques, avant d'être évaluée sur plusieurs tâches médicales distinctes.

Les résultats sont frappants. BrainIAC se montre aussi à l'aise pour des missions simples, comme reconnaître le type d'IRM réalisée, que pour des défis bien plus complexes, notamment la détection de mutations génétiques dans des tumeurs cérébrales. Dans plusieurs cas, il dépasse même des modèles d'IA spécialisés, pourtant entraînés spécifiquement pour une seule tâche.

BrainIAC affiche des performances remarquables, de l’imagerie aux défis complexes de la génétique tumorale. © Tryfonov, Adobe Stock

Pourquoi ces résultats pourraient changer la pratique médicale

L'un des points les plus marquants de l'étude concerne les situations où les données médicales sont rares, un problème fréquent dans la vraie vie. Certaines maladies sont peu courantes, certaines mutations tumorales difficiles à documenter, et toutes les IRM ne disposent pas d'annotations complètes.

Or, c'est précisément dans ces contextes que BrainIAC excelle. Lorsque les données d'entraînement sont limitées ou que la tâche est très complexe, le modèle conserve des performances élevées, là où d'autres approches s'essoufflent.

Pour les auteurs, c'est un signal fort. « l'intégration de BrainIAC aux protocoles d'imagerie pourrait aider les cliniciens à mieux personnaliser et améliorer la prise en charge des patients », souligne Benjamin Kann, auteur principal de l'étude et membre du programme d'intelligence artificielle en médecine (AIM) du Mass General Brigham.

Les chercheurs restent néanmoins prudents. L'outil devra être testé sur d'autres techniques d'imagerie et sur des ensembles de données encore plus vastes avant toute application clinique. Mais l'idée est lancée : une IA généraliste, capable d'apprendre seule à lire le cerveau, pourrait accélérer la découverte de biomarqueurs et améliorer la personnalisation des soins.