Un outil d'IA pour calculer la dose de radiation contribue à personnaliser le traitement du cancer de la prostate
infohightech ·
Architecture du réseau DiffuDose. Crédit : IEEE Transactions on Radiation and Plasma Medical Sciences (2026). DOI : 10.1109/trpms.2026.3705613
La radiothérapie (RTP) a connu des progrès considérables ces 50 dernières années, même si elle n'a reçu que récemment l'approbation de la FDA pour le traitement du cancer de la prostate. Malgré ces avancées – et les milliards de dollars d'investissements de l'industrie – le dosage, encore standardisé, reste un point faible. Des chercheurs de l'Université du Massachusetts à Amherst ont mis au point un modèle d'intelligence artificielle capable d'adapter le traitement en générant, en moins de 23 secondes, une carte de dose de rayonnement pour chaque patient avec une précision optimale.
« Actuellement, tous les patients reçoivent la même dose », explique Joyita Dutta, professeure au Riccio College of Engineering de l’UMass Amherst. « De ce fait, le potentiel de la thérapie reste largement inexploité, et le traitement est souvent sous-optimal pour chaque patient. Mesurer la quantité de radiations absorbée par chaque tissu est essentiel pour personnaliser le traitement. »
La thérapie par plasma riche en plaquettes (RPT) a reçu l'approbation de la FDA pour le traitement du cancer de la prostate à un stade avancé en 2022. Le cancer de la prostate, l'un des cancers les plus fréquents chez les hommes aux États-Unis (après le cancer de la peau), touche un homme sur huit au cours de sa vie. Si le taux de survie est bon lorsque le cancer est détecté précocement, celui des hommes diagnostiqués à un stade avancé n'est que de 40 % à cinq ans.
Contrairement à la radiothérapie traditionnelle, qui est localisée, la radiothérapie par injection est administrée par voie intraveineuse. Cela lui permet de se diffuser dans tout le corps tout en ciblant sélectivement les tumeurs. « Les entreprises pharmaceutiques ont bien compris l'intérêt de cette technique », explique Dutta. « On a assisté à une vague d'acquisitions. Tous les grands groupes pharmaceutiques ont racheté une start-up spécialisée dans la radiothérapie, qui développe de nouveaux traitements ou des technologies connexes. »
Pourtant, malgré l'attention de l'industrie et les progrès en matière de traitement, le dosage individualisé reste difficile à mettre en œuvre.
Le goulot d'étranglement est la dosimétrie.
« Le principal problème de nombreux traitements contre le cancer est leur toxicité », explique Dutta. « Qu’il s’agisse de radiothérapie, de chimiothérapie ou de thérapie radiopharmaceutique, quel que soit le mécanisme qui tue les cellules cancéreuses, il endommage également les tissus sains. »
En théorie, lorsque les médecins peuvent observer la quantité de radiations absorbées par l'organisme après un traitement (on parle alors de dosimétrie), ils peuvent déterminer si le patient peut tolérer sans risque une dose plus élevée lors des traitements suivants, sans danger pour ses autres organes. Avec la radiothérapie par plasma riche en plaquettes (RPT), les examens post-traitement peuvent révéler les zones de concentration du médicament. « Mais l'image seule ne permet pas de connaître la dose », explique Dutta.
La méthode de calcul de référence pour mesurer l'absorption des radiations est précise, mais peut prendre des heures par patient, ce qui la rend impraticable en pratique clinique. C'est là que Dutta a vu une opportunité d'appliquer l'expertise de son laboratoire à la création d'outils biomédicaux basés sur l'IA.
De plusieurs heures à quelques secondes.
L'équipe a créé DiffuDose, une combinaison de deux modules d'IA : l'un génère une estimation grossière de la dose et l'autre l'affine pour obtenir une carte de dose de rayonnement en haute résolution. Ce système a atteint une précision équivalente à celle des méthodes de référence en moins de 23 secondes par patient.
Comparée à six autres méthodes, elle a obtenu les meilleurs résultats quantitatifs globaux et des performances constamment élevées sur plusieurs organes, notamment les reins et le foie, organes clés exposés au risque de toxicité. Leurs travaux sont publiés dans IEEE Transactions on Radiation and Plasma Medical Sciences .
« Pixel par pixel, sur une image complète, on pouvait voir comment la dose était répartie dans le corps », explique Dutta. « C’est ce qui permet de personnaliser le traitement », en ajustant la quantité de médicament administrée et la fréquence des injections.
Vers une utilisation clinique
Dutta explique ensuite qu'elle a entamé une collaboration avec l'école de médecine UMass Chan afin de poursuivre le développement de modèles d'IA utilisant des examens post-RPT et des biomarqueurs sanguins des patients pour mieux comprendre comment un patient réagit au traitement.
Ces travaux ont bénéficié des contributions de collaborateurs extérieurs à l'UMass Amherst : Michael King de l'UMass Chan Medical School ; Alejandro Bertolet et Quanzheng Li du Massachusetts General Hospital ; et Babak Saboury de l'Institute of Nuclear Medicine de Bethesda, dans le Maryland.
Dutta souligne également les réalisations de ses co-auteurs, doctorants. Bowen Lei, doctorant et premier auteur de l'article, est candidat au concours Jeunes Chercheurs pour ses travaux en dosimétrie lors de la conférence IEEE sur l'imagerie médicale de 2026 , qui se tiendra à Grenade, en Espagne.
La co-auteure Vibha Balaji, doctorante, a reçu la première place du concours du meilleur poster de physique, d'instrumentation et de sciences des données (PIDS) lors de la réunion annuelle 2025 de la Society of Nuclear Medicine and Molecular Imaging (SNMMI) à la Nouvelle-Orléans, en Louisiane, pour ses travaux sur la thérapie radiopharmaceutique.
Dutta remercie également sa co-auteure Tzu-An Song, chercheuse postdoctorale dans son laboratoire qui codirige avec elle un projet de recherche translationnelle sur la thérapie radiopharmaceutique grâce à une bourse UMass Translational Seed Award 2025, et Ziyuan Zhou, étudiante diplômée dans son laboratoire qui a reçu une bourse d'assistant de recherche translationnelle UMass IALS 2026-2027 pour créer de nouvelles méthodes d'amélioration d'image pour la thérapie radiopharmaceutique.