Un scanner réalisé avant une immunothérapie sert d’abord à évaluer le cancer. Il pourrait aussi contenir des indices sur la manière dont les poumons supporteront le traitement. C’est l’hypothèse explorée par une équipe du MD Anderson Cancer Center et de l’université Johns Hopkins avec CIPHER, un modèle d’intelligence artificielle présenté dans le Journal for ImmunoTherapy of Cancer le 18 septembre 2026 et annoncé par MD Anderson le 24 septembre.
L’outil a distingué, dans deux groupes de patients atteints d’un cancer du poumon, ceux qui ont ensuite développé une pneumonite liée à l’immunothérapie. Ce résultat ouvre une piste pour adapter la surveillance, mais ne permet pas encore d’utiliser son score comme une décision médicale automatique.
Une complication difficile à prévoir avant le traitement
Les inhibiteurs de points de contrôle immunitaire aident les défenses de l’organisme à reconnaître et attaquer certaines tumeurs. Cette action peut aussi déclencher une inflammation de tissus sains. Lorsqu’elle touche les poumons, on parle de pneumonite : selon sa gravité, elle peut nécessiter une interruption du traitement et une prise en charge rapide. MD Anderson indique qu’elle concerne environ un patient sur dix parmi ceux atteints d’un cancer du poumon et traités par immunothérapie ; cette proportion varie selon les populations et les traitements.
Le problème pour les équipes soignantes est le moment de l’alerte. Des facteurs cliniques et certaines anomalies visibles au scanner sont connus, mais ils n’identifient pas de façon suffisamment fiable, avant la première administration, toutes les personnes qui développeront cette complication. Un signal tiré d’un examen déjà réalisé dans le parcours de soins serait donc intéressant : il n’exigerait pas, à lui seul, un nouveau prélèvement ou un nouvel examen d’imagerie.
Ce que CIPHER apprend dans les images pulmonaires
Les chercheurs ont d’abord entraîné CIPHER sur 590 284 coupes de scanners provenant de 2 500 patients ayant un cancer bronchique non à petites cellules. À cette étape, le système apprend des représentations de l’anatomie pulmonaire à partir des images, sans qu’il faille étiqueter chaque coupe comme « pneumonite » ou « pas de pneumonite ». Il est ensuite adapté à la recherche d’un risque avant immunothérapie.
Cette méthode d’apprentissage auto-supervisé est utile lorsque les images sont nombreuses, mais que les complications confirmées et correctement documentées sont plus rares. Elle ne signifie pas que le logiciel comprend la maladie comme un pneumologue. Il repère des régularités statistiques dans le tissu pulmonaire, puis transforme ces régularités en score de risque à l’échelle du patient.
Deux jeux de validation, un même ordre de performance
Dans la cohorte interne, 347 patients étaient disponibles ; le modèle a été ajusté sur des images de 254 patients sans pneumonite, puis évalué sur 93 autres patients, dont 33 ont développé la complication. Un second test a utilisé les scanners de 116 patients de Johns Hopkins, parmi lesquels 20 ont développé une pneumonite et 96 non.
Dans les comparaisons rapportées par les auteurs, CIPHER atteint une aire sous la courbe ROC de 0,83 dans la validation interne et dans la cohorte externe. Cet indicateur, souvent abrégé AUC, mesure la capacité à classer un patient qui développera la complication au-dessus d’un patient qui ne la développera pas. Une valeur de 0,83 indique une séparation encourageante entre les deux groupes ; elle ne signifie pas que chaque prédiction individuelle est correcte à 83 %, ni que le risque d’un patient est de 83 %.
Dans le groupe externe, le modèle a correctement classé 16 des 20 cas de pneumonite et 80 des 96 patients sans pneumonite au seuil étudié. Il a donc aussi manqué quatre cas et déclenché seize alertes chez des personnes qui n’ont pas eu cette complication. Ces nombres rendent la performance plus concrète que l’AUC seule : un outil de surveillance doit trouver un équilibre entre les événements manqués et les examens ou inquiétudes inutiles.
Pourquoi un bon score rétrospectif ne suffit pas
L’étude apporte une validation externe, ce qui renforce le résultat par rapport à un test limité au centre qui a développé l’outil. Elle reste toutefois rétrospective : les chercheurs ont analysé des scanners et des événements déjà connus. Il faut encore vérifier ce qui se passe lorsque le score est produit avant le traitement, communiqué aux soignants et utilisé dans un parcours réel.
Autre point essentiel : les groupes de validation ont été constitués pour comparer des patients avec et sans pneumonite. Dans la cohorte externe, 20 cas sur 116 représentent une proportion supérieure à la fréquence d’environ 10 % citée dans le communiqué. La part de « fausses alertes » parmi tous les patients signalés à risque pourrait donc changer dans une population de soins ordinaire. Il faudra tester le seuil, sa stabilité entre hôpitaux et sa valeur ajoutée aux informations que les médecins possèdent déjà.
Les auteurs eux-mêmes appellent à une validation prospective avant une traduction clinique. À ce stade, CIPHER ne démontre ni qu’il réduit les pneumonites, ni qu’il améliore la survie, ni qu’il faut refuser une immunothérapie à un patient classé à risque. Un risque élevé pourrait, si de futurs essais le confirment, surtout aider à organiser une surveillance plus attentive et une réaction plus précoce aux symptômes.
La prochaine étape se joue au chevet du patient
L’intérêt de CIPHER tient à son point de départ très concret : un scanner thoracique que les équipes utilisent déjà. Si ses résultats se confirment dans plusieurs hôpitaux, l’IA pourrait contribuer à anticiper une toxicité grave sans ajouter un examen au parcours initial. La question décisive n’est plus seulement de savoir si le modèle classe bien des dossiers passés, mais si son utilisation change utilement la prise en charge des patients, sans multiplier les alertes inutiles.
Références
- Muneer et al., « CT-based deep foundation model for predicting immune checkpoint inhibitor-induced pneumonitis risk in lung cancer », Journal for ImmunoTherapy of Cancer, 18 septembre 2026.
- MD Anderson Cancer Center, « AI model uses routine imaging to identify patients at risk for serious treatment-induced lung inflammation », 24 septembre 2026.
