Le lymphome diffus à grandes cellules B (DLBCL) présente des défis diagnostiques majeurs du fait de son importante hétérogénéité. L’intelligence artificielle optimise désormais le diagnostic, la classification pronostique et l’analyse des images médicales.
© IA Médicale | Image générée par IA
Pour diagnostiquer un DLBCL, on prélève d’abord un échantillon du ganglion ou du tissu suspect. Le pathologiste examine ensuite les coupes au microscope, ce qui donne une première orientation. D’autres analyses sont alors nécessaires :
L’IA attire l’attention des pathologistes comme outil d’assistance. Des logiciels analysent les images numérisées des lames. Ils accélèrent le diagnostic, réduisent les risques d’erreur et diminuent les différences d’appréciation entre médecins.
Certains algorithmes vont plus loin : les programmes informatiques identifient les cellules malades directement sur les lames colorées. Ils évaluent aussi l’expression des marqueurs utilisés en immunohistochimie. Plus surprenant encore : ils arrivent à prédire certaines mutations du gène MYC simplement en analysant l’apparence des tissus au microscope.
Des équipes de recherche ont récemment mis à l’épreuve différents modèles d’IA pour identifier et classer le DLBCL sur des lames digitalisées. Les taux de précision diagnostique atteignent 87 à 100 %, avec des sensibilités de 90 à 100 %, des spécificités de 52 à 100 %, et des aires sous la courbe ROC jusqu’à 0,99 (Torres Luna et al., Cureus, 2025).
L’IA excelle notamment dans la quantification des biomarqueurs sur les coupes ou la prédiction d’anomalies génétiques à partir de l’observation tissulaire. Elle aide à confirmer les cas douteux ou affiner les sous-catégories, avec une performance qui égale voire dépasse les approches classiques.
Reste une question importante : ces chiffres proviennent d’études contrôlées. Il faut encore démontrer la robustesse de ces algorithmes en situation réelle, face à des échantillons plus variés et en plus grand nombre.
L’un des outils les plus avancés est GOTDP-MP-CNNs, un système combinant 17 réseaux neuronaux différents. Testé sur des images de DLBCL provenant de plusieurs hôpitaux, il atteint une exactitude quasi parfaite (~100 %) pour distinguer le DLBCL des autres pathologies (Li et al., 2020).
HoVer-Net est un réseau neuronal spécialisé dans la détection des noyaux cellulaires. Il permet d’extraire des mesures morphologiques précises (taille, forme) corrélées à la survie des patients. Sa version améliorée, HoLy-Net, identifie les noyaux tumoraux au milieu des cellules environnantes et fournit des données sur l’infiltrat immunitaire.
Ces plateformes montrent que l’IA peut classifier les images de DLBCL avec une fiabilité inédite, tout en mesurant des paramètres tissulaires jusque-là difficiles à quantifier, ouvrant la voie à de nouveaux marqueurs pronostiques.
La TEP/TDM au FDG est essentielle pour le bilan d’extension et l’évaluation de la réponse. L’IA améliore cette analyse grâce à des réseaux neuronaux 3D capables de détecter automatiquement les lésions hypermétaboliques.
L’algorithme TMTV-Net calcule le volume tumoral métabolique total (TMTV) en quelques minutes, avec une précision proche de la méthode manuelle. Cela permet une évaluation objective et rapide de la charge tumorale.
Des défis persistent : variabilité des protocoles, sous-estimation des petites lésions, absence de standardisation des calculs TMTV/TLG, et nécessité de valider l’impact de l’automatisation sur l’interprétation visuelle clinique.
Malgré ces limites, la TEP/TDM assistée par IA représente un atout pour le futur, en offrant des outils reproductibles et rapides pour la stratification pronostique du DLBCL.
Environ trois à quatre patients sur dix avec un DLBCL voient leur traitement initial échouer ou rechutent vite. Le tableau devient alors préoccupant : leur survie se complique et les options qui restent (nouvelle chimiothérapie intensive avec autogreffe, thérapie par cellules CAR-T, participation à des essais expérimentaux) pèsent lourd sur leur organisme. Repérer tôt les personnes à haut risque d’échec thérapeutique permettrait d’ajuster dès le départ la stratégie : intensifier le traitement ou orienter vers des thérapies plus innovantes.
L’IA s’explore justement comme aide à cette prédiction. L’équipe de Detrait a publié récemment une étude (Detrait et al. 2024) portant sur 130 patients traités pour DLBCL. Ils ont mis à l’épreuve cinq types d’algorithmes d’apprentissage automatique pour anticiper qui résisterait au traitement de première ligne. Parmi les méthodes testées figuraient des classiques (régression logistique, SVM, forêts aléatoires) et des plus récentes comme XGBoost et le classifieur bayésien naïf.
Quand ils ont évalué les performances sur leur groupe de validation, c’est le classifieur Naïve Bayes qui a fait la meilleure impression : aire sous courbe ROC à 0,81, taux de réussite de 83 %, F1-score de 0,82, et 10 % de faux positifs. XGBoost et la forêt aléatoire arrivaient ensuite avec des AUC de 0,74 et 0,67, pour des précisions de 78 % et 72 % respectivement. Le SVM et la régression logistique ont moins bien performé dans cette cohorte : AUC de 0,65 et 0,45, précision de 67 % et 50 %.
Ces résultats restent préliminaires mais montrent qu’un modèle d’IA bien sélectionné peut mieux prédire les formes réfractaires de DLBCL que les scores pronostiques habituels. Ces algorithmes intègrent plusieurs types de données : cliniques, biologiques et d’imagerie, l’étude incluait par exemple l’évaluation TEP après deux cycles de traitement. Le classifieur bayésien pourrait notamment aider à identifier les patients nécessitant une intensification thérapeutique.
Les auteurs insistent cependant sur la nécessité de valider ces modèles sur des cohortes multicentriques plus vastes avant toute utilisation en pratique courante. Il faut s’assurer qu’ils fonctionnent bien dans différents contextes et qu’ils apportent vraiment une valeur clinique.
Outre la réfractarité, l’IA est également explorée pour affiner le pronostic à l’aide d’autres paramètres : par exemple, des modèles de régression ou de réseaux de neurones peuvent intégrer le TMTV de baseline, les données cliniques (âge, stade, IPI) et des caractéristiques biologiques pour établir des scores pronostiques individualisés plus performants que l’IPI standard.
L’ensemble de ces approches met en évidence le rôle potentiel de l’IA dans la stratification pronostique du DLBCL, en complément des outils pronostiques conventionnels, afin d’optimiser la prise en charge dès le diagnostic.
Malgré des résultats impressionnants, l’utilisation de l’IA pour le DLBCL se heurte à plusieurs obstacles avant de pouvoir s’installer durablement en clinique. Beaucoup d’études publiées jusqu’ici restent des analyses rétrospectives menées dans un seul centre ou sur des échantillons restreints. Cela soulève des doutes sur la capacité des modèles à fonctionner ailleurs. Un algorithme qui marche très bien dans un hôpital peut perdre en efficacité dans un autre, simplement parce que les façons de prélever, préparer les lames ou capturer les images varient. Ces différences entre centres et équipements obligent à créer des modèles solides et à uniformiser la façon de traiter et annoter les images en pathologie comme en radiologie.
La validation externe des algorithmes reste aussi insuffisante. Peu d’études prospectives impliquant plusieurs centres ont vérifié si les performances annoncées tiennent la route dans la vraie vie. De plus, plusieurs travaux présentent des biais de sélection (par exemple en écartant les cas compliqués ou en utilisant des données très contrôlées), ce qui peut gonfler artificiellement les résultats. L’absence de standardisation des méthodes (qu’il s’agisse des protocoles de numérisation des lames, des paramètres d’acquisition TEP ou même des architectures de modèles d’évaluation) complique la comparaison entre études et le déploiement industriel de solutions approuvées.
Les modèles d’IA fonctionnent souvent comme des « boîtes noires » dont on comprend mal le raisonnement, ce qui peut inquiéter les cliniciens. Intégrer ces logiciels aux systèmes informatiques hospitaliers et aux habitudes de travail demande des efforts considérables. Et la constitution de grandes bases de données pour entraîner les algorithmes soulève des préoccupations autour de la confidentialité des informations médicales.
En résumé, l’IA appliquée au DLBCL en est encore à ses débuts en matière de validation. Il faudra des collaborations de recherche à grande échelle, une harmonisation des méthodes et des validations cliniques prospectives pour franchir ces barrières. Avec une validation solide et des protocoles harmonisés, l’IA pourrait vraiment transformer la prise en charge du DLBCL en améliorant la précision diagnostique, en affinant l’évaluation pronostique et en soulageant les spécialistes d’une partie de leur charge de travail.
L’IA a démontré son utilité dans le DLBCL en analysant rapidement images histologiques et TEP-scans avec fiabilité. Elle surpasse parfois l’IPI pour prédire rechutes et survie, et évalue précisément des marqueurs comme PD-L1, permettant un diagnostic plus complet combinant morphologie, données fonctionnelles et moléculaires.
Des défis subsistent : les études restent souvent monocentriques avec des cohortes limitées. Une validation multicentrique et la standardisation des protocoles de numérisation sont indispensables avant tout déploiement large.
Avec validation rigoureuse et formation adaptée, l’IA deviendra un outil d’aide au diagnostic et à la décision thérapeutique pour personnaliser les traitements des patients atteints de DLBCL.
Li D. et al. (2020). A deep learning diagnostic platform for diffuse large B-cell lymphoma with high accuracy across multiple hospitals. Nature Communications, 11:6004.
Torres Luna J.D. et al. (2025). AI in Digital Pathology for Diffuse Large B-cell Lymphoma: A Systematic Review of Diagnosis and Classification. Cureus, 17(9): e92058.
Cairns J. et al. (2025). The Role of AI in Lymphoma: An Update. Seminars in Nuclear Medicine, 55(5): 377-386.
Detrait M.Y. et al. (2024). A machine learning approach in a monocentric cohort for predicting primary refractory disease in Diffuse Large B-cell lymphoma patients. PLoS ONE, 19(10): e0311261.