Development and Validation of a Feature-Prompted Deep Learning System for Diagnosing Chronic Atrophic Gastritis Under White-Light Endoscopy

Chaque année, des millions de personnes à travers le monde sont confrontées à la menace du cancer de l'estomac, une maladie qui demeure l'une des principales causes de décès liés au cancer dans le monde. Avant que ce cancer ne se développe, la muqueuse gastrique subit souvent une transformation lente et silencieuse connue sous le nom de gastrite atrophique chronique. Dans cette affection, le tissu sain qui tapisse l'estomac s'amincit progressivement et perd sa fonction, un changement qui augmente considérablement le risque d'apparition d'un cancer plus tard. Détecter ce signe d'alerte précoce est crucial, pourtant cela reste une tâche difficile pour les médecins. L'outil principal pour observer l'intérieur de l'estomac est une caméra flexible sur un tube mince, qui capture des images de l'intérieur de l'organe. Cependant, identifier les signes subtils d'amincissement tissulaire dans ces images est notoirement complexe. Les changements peuvent être ténus, et même des spécialistes expérimentés ne sont pas toujours d'accord sur ce qu'ils voient ou passent à côté des signes. En raison de cette incertitude, les médecins ont parfois recours au prélèvement de tissus aléatoires en divers endroits de l'estomac pour en être sûrs, un processus qui est chronophage, coûteux et inconfortable pour les patients.

Une équipe de chercheurs de l'hôpital de médecine traditionnelle chinoise de Hangzhou a développé un nouveau système d'intelligence artificielle conçu pour aider les médecins à repérer ces signes d'alerte précoces de manière plus fiable. Leur objectif était de créer un assistant numérique capable d'examiner les mêmes images vidéo en direct qu'un médecin voit lors d'un examen standard et d'identifier les schémas spécifiques d'amincissement tissulaire avec une grande précision. Contra matter à des tentatives précédentes qui essayaient d'analyser une seule image d'un seul coup, cette équipe a construit un système à étapes multiples qui imite la façon méticuleuse dont un expert humain examine un patient. Le système vérifie d'abord si l'image est assez claire pour être utile, écartant les images floues ou mal éclairées. Il identifie ensuite exactement quelle partie de l'estomac la caméra regarde, distinguant l'entrée, le corps principal et la sortie. Enfin, il se concentre sur les zones spécifiques où l'amincissement tissulaire pourrait se cacher, en utilisant une technique qui met en évidence les régions suspectes avant de poser un diagnostic.

Les chercheurs ont testé ce système en utilisant des milliers d'images provenant de près de mille patients ayant subi une gastroscopie entre janvier 2024 et septembre 2025. Pour s'assurer que le système apprenait les bonnes choses, ils l'ont entraîné sur une vaste collection d'images qui avaient été soigneusement étiquetées par des médecins expérimentés. La partie la plus innovante de leur approche résidait dans la manière dont le système apprenait à trouver la maladie. Au lieu de demander à l'ordinateur de deviner où se trouvait le problème dans une image entière, ils ont d'abord appris à une partie distincte du système à tracer un contour numérique autour des zones qui semblaient présenter un amincissement. L'outil de diagnostic principal utilisait ensuite ces contours comme guide, concentrant son attention uniquement sur le tissu pertinent. Cette méthode, que les chercheurs appellent apprentissage par incitation de caractéristiques (feature-prompted learning), a permis au système d'ignorer les parties saines de l'estomac qui pourraient le distraire, tout comme une personne pourrait se concentrer sur un détail spécifique dans une pièce bondée tout en ignorant l'arrière-plan.

Lorsque l'équipe a mis son meilleur modèle à l'épreuve, les résultats ont été frappants. Le système a correctement identifié la présence d'amincissement tissulaire dans 92,4 % des cas où elle était réellement présente, et il l'a correctement exclue dans 89,2 % des cas où elle était absente. Ce niveau de précision n'était pas seulement un succès statistique ; c'était un succès pratique. Lorsque les chercheurs ont comparé les performances de l'ordinateur à celles d'un groupe de médecins humains, le système a égalé les performances des spécialistes les plus chevronnés, qui possédaient plus de cinq ans d'expérience indépendante. La précision du système de 90,9 % était statistiquement indiscernable des 90,3 % obtenus par ces experts. Cependant, le système a nettement surpassé les médecins ayant une expérience intermédiaire, qui pratiquaient de manière indépendante depuis trois à cinq ans. Ces médecins moins expérimentés ont atteint une précision de 85,6 %, un écart qui suggère que l'intelligence artificielle pourrait servir de puissant égalisateur, aidant les praticiens moins expérimentés à atteindre le niveau diagnostique des experts les plus aguerris.

L'étude a également révélé que la conception multi-étapes du système était essentielle à son succès. Lorsque les chercheurs ont testé une version plus simple qui regardait l'image entière sans filtrer d'abord la qualité ou la localisation, la précision est tombée à 87,0 %. Cette différence a prouvé que la capacité du système à nettoyer les données et à se concentrer sur les zones anatomiques appropriées faisait une différence réelle et mesurable dans son jugement final. La stratégie d'incitation par caractéristiques, où le système était guidé par les contours numériques des zones suspectes, a encore amélioré les résultats, montrant que le fait de diriger l'attention de l'ordinateur vers les parties les plus pertinentes de l'image l'aidait à éviter les erreurs. Bien que le système ait montré un grand potentiel, les chercheurs ont pris soin de noter qu'il s'agissait d'une étude monocentrique, ce qui signifie qu'il a été testé sur des patients d'un seul hôpital avec des équipements spécifiques. Ils ont reconnu que le système doit encore être testé dans une plus grande variété de contextes et avec différents types de caméras avant de pouvoir être utilisé de routine dans les cliniques partout dans le monde.

Malgré ces limites, ce travail représente une étape importante dans l'effort de standardisation de la détection des conditions précancéreuses de l'estomac. En combinant une analyse minutieuse étape par étape avec une méthode qui guide l'ordinateur pour qu'il se concentre sur les détails les plus importants, les chercheurs ont créé un outil qui égale la performance des meilleurs experts humains. Ce système ne remplace pas le médecin mais offre une seconde paire d'yeux qui ne fatigue jamais et ne manque jamais un indice subtil dû à la fatigue ou à la distraction. À mesure que la technologie évolue vers des essais multicentriques plus larges, elle détient le potentiel de rendre la détection précoce du cancer de l'estomac plus cohérente et accessible, garantissant que les signes d'alerte de la gastrite atrophique chronique soient vus clairement, quel que soit celui qui tient la caméra.