Le recours à l’intelligence artificielle dans le cancer de la prostate ouvre de nouvelles perspectives pour améliorer la détection, le suivi et la précision des traitements.
© IA Médicale | Image générée par IA
Le dépistage du cancer de la prostate s’appuie classiquement sur deux examens : le dosage du PSA dans le sang et le toucher rectal. Ces méthodes manquent cependant de précision. En effet, un taux de PSA anormal aboutit fréquemment à des biopsies qui s’avèrent finalement négatives, car ce marqueur peut également s’élever dans des contextes bénins tels que l’hypertrophie prostatique ou les infections urinaires.
Plus préoccupant encore, le dépistage systématique par PSA a conduit, durant de nombreuses années, à la détection de cancers peu agressifs, qui n’auraient probablement jamais mis en danger la vie du patient. Face à ce constat, les recommandations ont évolué. Il est désormais suggéré d’initier une discussion individualisée avec les hommes âgés de 55 à 69 ans avant tout dosage du PSA, tandis que le dépistage est déconseillé au-delà de 70 ans afin d’éviter des traitements inutiles.
Dans la pratique actuelle, lorsqu’un taux de PSA paraît suspect, l’étape suivante consiste généralement à réaliser une IRM multiparamétrique avant toute biopsie. Cette approche permet de visualiser les zones potentiellement inquiétantes au sein de la prostate et, par conséquent, d’éviter de nombreux prélèvements inutiles. L’IRM s’impose ainsi comme un outil de tri précieux en amont des décisions invasives.
Que peut changer l’IA dans ce domaine ? Actuellement, peu d’algorithmes se concentrent vraiment sur la détection précoce. Mais des voies intéressantes commencent à apparaître. On peut envisager la création de systèmes capables de fouiller les bases de données issues des dossiers médicaux électroniques afin de détecter plus finement les hommes réellement à risque, sans se limiter au seul taux de PSA.
Ces algorithmes pourraient combiner une multitude de paramètres : antécédents familiaux, comorbidités, variations longitudinales du PSA, entre autres. L’objectif serait de concentrer les efforts de dépistage sur les patients les plus concernés, réduisant ainsi les examens inutiles.
L’interprétation des IRM repose sur un système de notation standardisé, le score PI-RADS v2.1, qui classe les anomalies de 1 (peu inquiétant) à 5 (très suspect). Bien que cet outil soit largement utilisé et ait amélioré la prise en charge, il présente certaines limites. La principale concerne la variabilité inter-observateurs : deux radiologues expérimentés peuvent attribuer des scores légèrement différents à une même image, ce qui peut influencer la décision de biopsier. Par ailleurs, le système actuel privilégie volontairement une haute sensibilité pour ne manquer aucun cancer significatif, ce qui peut conduire à des fausses alertes et à des biopsies qui s’avèrent finalement négatives.
Dans ce contexte, les techniques d’IA, particulièrement l’apprentissage profond, proposent des solutions complémentaires pour standardiser et renforcer ce diagnostic par imagerie. Des algorithmes ont été conçus pour analyser automatiquement les IRM prostatiques et y déceler les zones suspectes. En s’appuyant sur des architectures de réseaux neuronaux connues (ResNet, U-Net, entre autres), ces outils ont été entraînés sur des milliers d’examens pour segmenter la prostate et mettre en évidence les territoires potentiellement cancéreux.
Par exemple, une étude (Sanford et al., J Magn Reson Imaging, 2020) a utilisé un réseau ResNet34 pour attribuer automatiquement des scores PI-RADS aux lésions détectées sur l’IRM, réduisant ainsi la variabilité inter-observateurs et offrant un second regard objectif au radiologue.
Puisque l’IRM est devenue incontournable dans le parcours de diagnostic, l’IA y trouve naturellement sa place. Une étude internationale majeure (Saha et al., Lancet Oncology, 2024), portée par le consortium PI-CAI, a démontré qu’un système d’IA dédié à l’analyse d’IRM parvenait à détecter les cancers cliniquement significatifs avec une aire sous la courbe (AUC) de 0,91, surpassant la médiane des 62 radiologues impliqués (AUC = 0,86), tout en réduisant de 50,4 % les faux positifs et de 20 % les surdétections de cancers indolents.
Concrètement, l’IA appliquée à l’IRM permet de trier, parmi les patients présentant un PSA élevé ou une image douteuse, ceux qui justifient réellement une biopsie. Cette approche optimise ainsi l’efficacité du dépistage, en réduisant les procédures inutiles tout en maintenant une haute qualité diagnostique.
De nouveaux modèles polyvalents comme MRI-PTPCA ont démontré des capacités inédites. Ce réseau neuronal détecte la présence d’un cancer sur l’IRM et prédit son degré d’agressivité (score de Gleason), avec validation prospective à l’appui. L’étude de référence (Shao et al., Nature Cancer, 2025) a montré une AUC de 0,983 pour la détection de tout cancer prostatique, et 0,978 pour les cancers cliniquement significatifs, avec une précision de 89,1 % pour le grading tumoral.
MRI-PTPCA conserve sa fiabilité même quand certaines séquences d’IRM manquent (par exemple la séquence de diffusion), ce qui correspond aux réalités cliniques où le protocole complet n’est pas toujours réalisable.
Le diagnostic définitif du cancer de la prostate passe obligatoirement par l’examen anatomopathologique des biopsies. Le pathologiste scrute au microscope les fragments de tissu prélevés pour débusquer d’éventuels foyers tumoraux et évaluer le score de Gleason (ou groupe de Grade), qui mesure l’agressivité du cancer et oriente les choix de traitement.
Ce travail manuel demande du temps et repose sur l’expertise de chaque pathologiste, avec une part inévitable de subjectivité dans l’interprétation des images. Toutefois, ces dernières années, la numérisation des lames en pathologie (Whole Slide Imaging) a profondément modifié les pratiques en ouvrant la voie à l’analyse assistée par ordinateur. Il devient désormais possible de scanner les lames de biopsie en très haute résolution et d’y appliquer des algorithmes de vision artificielle pour repérer automatiquement les zones malignes.
De nombreux travaux démontrent que l’apprentissage profond appliqué aux images de lames permet une détection automatique du cancer prostatique avec une précision remarquable. Des réseaux neuronaux convolutifs entraînés sur des milliers d’images histologiques atteignent des AUC souvent supérieures à 0,90 pour distinguer les tissus cancéreux des tissus sains.
Par exemple, un modèle (Singhal et al., Nature, 2022) a atteint une AUC de 0,997 pour la détection du cancer de la prostate sur lames numérisées, avec une précision globale de 85,3% sur une cohorte externe et une concordance de classification de 0,96, démontrant une excellente robustesse sur des données indépendantes.
En 2021, la FDA a franchi une étape historique en approuvant pour la première fois un algorithme d’IA en anatomopathologie : le logiciel Paige Prostate. Ce système, fondé sur un modèle d’apprentissage profond entraîné sur des images annotées, assiste le pathologiste dans la détection du cancer sur les biopsies prostatiques. Son évaluation, publiée dans Nature Medicine, a montré une aire sous la courbe (AUC) de 0,991 pour la détection du cancer de la prostate. Par ailleurs, les auteurs ont démontré qu’il était possible d’écarter jusqu’à 75 % des lames négatives tout en conservant 100 % de sensibilité, ce qui représente un gain de temps considérable en pratique clinique. (Campanella et al., Nat. Med., 2019)
Au-delà de la simple détection, l’IA sert également à affiner l’attribution du grade de Gleason sur les lames. Un exemple emblématique est le défi PANDA (Prostate cANcer graDe Assessment), une compétition internationale ayant mobilisé plus de 12 000 images de biopsies issues de différents centres. De multiples équipes y ont développé des algorithmes de classification du Gleason sans recourir à des annotations manuelles exhaustives. Les meilleurs modèles ont atteint une concordance équivalente à celle de pathologistes experts pour attribuer un grade aux cancers.
Parallèlement, des solutions émergent : la plateforme Galen Prostate (Ibex Medical) a, par exemple, rapporté (Pantanowitz et al., Lancet Digital Health, 2020) une AUC de 0,94 pour distinguer les cancers de bas grade des cancers de haut grade sur lames numérisées. Ces outils peuvent ainsi contribuer à standardiser l’évaluation du Gleason en réduisant les variations d’interprétation d’un observateur à l’autre.
Les applications de l’intelligence artificielle ne s’arrêtent pas au diagnostic : elles s’étendent également aux traitements, notamment en radiothérapie, un pilier de la prise en charge des formes localisées du cancer de la prostate.
En radiothérapie, l’IA est mobilisée pour améliorer la planification des traitements. L’IA excelle particulièrement dans le calcul optimisé des distributions de dose. Des outils ont été développés pour générer automatiquement un plan de dose personnalisé (en modulation d’intensité, etc.). Ces plans répondent aux objectifs de couverture de la tumeur et de protection des organes sains, avec une rapidité et une précision remarquables.
En radiothérapie, l’IA est mobilisée pour améliorer la planification des traitements. Des algorithmes permettent de générer automatiquement des plans de dose personnalisés, avec une réduction du temps de planification allant jusqu’à 60–80 % tout en conservant une qualité optimale (Riaz et al., ASCO, 2024). Ces modèles permettent également d’optimiser la curiethérapie prostatique en assistant les cliniciens sur la répartition des sources radioactives, améliorant ainsi l’homogénéité du traitement. Ces outils contribuent à la standardisation des soins, à la réduction des délais de traitement, et à la reproductibilité des résultats entre centres.
L’IA peut aussi aider à anticiper la réponse aux traitements et les effets secondaires. Des modèles de machine learning ont montré une bonne capacité à prévoir la toxicité induite par la radiothérapie (par exemple, risque d’atteinte rectale ou urinaire) en analysant les caractéristiques dosimétriques et cliniques des patients antérieurs.
Cela pourrait, à terme, permettre d’ajuster les plans de traitement en fonction du profil de risque individuel de toxicité. Par ailleurs, en combinant les données de multiples patients, l’IA peut identifier quels sous-groupes tirent un bénéfice d’intensifier le traitement.
Par exemple, des travaux récents (Esteva et al. NPJ Digit Med, 2022) ont utilisé l’IA pour déterminer quels patients à risque intermédiaire profiteraient réellement d’une association de radiothérapie avec une hormonothérapie (ADT) prolongée, et lesquels pourraient éviter un traitement hormonal long sans compromettre le contrôle tumoral.
Ces approches prédictives permettent d’adapter la stratégie thérapeutique en évitant des traitements inutiles (et leurs effets indésirables) aux patients qui n’en ont pas besoin.
En chirurgie urologique, l’IA trouve aussi des débouchés prometteurs. Bien que ce domaine soit moins développé, on peut citer l’aide au guidage peropératoire par reconnaissance d’images en temps réel (par exemple, identification des structures nerveuses à préserver lors d’une prostatectomie radicale assistée par robot). Des algorithmes sont également explorés pour analyser les vidéos opératoires et assister le chirurgien pendant l’intervention.
Plus globalement, l’IA peut soutenir la décision chirurgicale préopératoire : des modèles prédictifs sont en cours de développement pour indiquer, en fonction des caractéristiques du patient et de sa tumeur, quelle approche chirurgicale serait la plus appropriée (chirurgie radicale immédiate versus surveillance active, abord robotique versus ouvert).
Même si ces applications chirurgicales en sont à un stade précoce, elles illustrent le potentiel de l’IA pour améliorer la précision et la personnalisation des traitements du cancer de la prostate sur l’ensemble du parcours de soins.
L’un des atouts majeurs de l’IA réside dans sa capacité à fusionner des sources de données très variées pour en extraire des informations exploitables. Dans le cancer de la prostate, l’IA permet désormais de croiser des données génomiques (profil moléculaire de la tumeur ou du patient), cliniques (PSA, stade, antécédents…) et radiologiques (imagerie, y compris les caractéristiques radiomiques quantitatives) afin de bâtir des modèles prédictifs particulièrement puissants. Cette approche multidimensionnelle vise à fournir une médecine de précision, adaptée aux spécificités de chaque patient.
Les travaux récents montrent que l’intégration multimodale de données par l’IA peut affiner le pronostic et orienter le choix thérapeutique de façon plus pertinente que les approches conventionnelles. Par exemple, en phase localisée, les outils de décision habituels (nomogrammes, groupes de risque type NCCN) se basent sur quelques variables seulement (PSA, Gleason, stade clinique) et présentent une certaine imprécision.
Des équipes (Esteva et al. NPJ Digital Med, 2022) ont démontré qu’en alimentant un algorithme d’apprentissage profond avec les images de la lame biopsique numérisée et les données cliniques du patient, on obtenait un modèle pronostique capable de dépasser la performance prédictive des groupes de risque NCCN pour la survie sans récidive. Mieux encore, cette approche a permis de développer un modèle qui prédit quels patients tireront bénéfice d’une intensification thérapeutique. Concrètement, à partir de l’histologie numérisée et de données cliniques, l’algorithme anticipe si ajouter une hormonothérapie à la radiothérapie améliorera le pronostic du patient ou non, aidant ainsi à personnaliser la durée d’hormonothérapie adjuvante.
Sur le plan génomique, l’IA offre un moyen d’exploiter la masse considérable d’informations issues des tests moléculaires (séquençage tumoral, expression génique, etc.). En intégrant ces données complexes, des modèles peuvent identifier des sous-groupes de tumeurs avec des comportements particuliers ou des cibles thérapeutiques exploitables.
Une étude marquante (Elmarakeby et al. Nature, 2021) a abouti au développement d’un réseau neuronal nommé P-NET, incorporant des données de plus de 1000 patients, pour prédire l’apparition de la résistance à la castration chez des patients traités pour un cancer de la prostate avancé. Ce modèle combine de multiples couches d’informations (mutations génétiques, voies de signalisation activées, etc.) et apprend à pondérer chaque facteur selon son importance pronostique.
Le modèle affiche des performances élevées, avec une AUROC de 0,93, une AUPRC de 0,88 et une précision de 83 %. Ces résultats suggèrent que l’approche par apprentissage profond permet d’anticiper l’évolution clinique avec une finesse supérieure à celle des outils traditionnels. De telles approches illustrent la possibilité de mixer des données multi-omiques au sein d’une IA afin d’anticiper l’évolution de la maladie mieux que ne le ferait un seul indicateur.
En radiologie également, le concept de radiomique combiné à l’IA peut révéler des motifs invisibles à l’œil nu. Ces signatures radiomiques, croisées avec les profils génétiques et les données cliniques, nourrissent des modèles prédictifs de récidive, de réponse aux traitements, ou de survie, avec un niveau de précision accru par rapport aux scores cliniques conventionnels.
Ces approches personnalisées sont prometteuses mais restent en développement. Leur déploiement nécessite des bases de données volumineuses et bien annotées, ainsi qu’une validation clinique rigoureuse.
L’IA améliore significativement la prise en charge du cancer de la prostate, du dépistage à la planification thérapeutique. Elle renforce la précision diagnostique, réduit les biopsies inutiles et personnalise les traitements en intégrant données cliniques, génomiques et radiologiques.
Des défis subsistent : biais des données, opacité des algorithmes, flou réglementaire et difficultés d’intégration technique. Avec un encadrement adapté, l’IA redéfinira les standards de soins, non pour remplacer les médecins, mais pour les assister au service des patients.
Riaz I.B. et al. Applications of Artificial Intelligence in Prostate Cancer Care: A Path to Enhanced Efficiency and Outcomes. ASCO Educational Book (Amer Soc Clin Oncol) 2024; 44:e438516.
Saha A. et al. Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, non-inferiority, confirmatory study. Lancet Oncol. 2024; 25(7):879–887.
Rannikko A.S. Artificial intelligence for prostate cancer diagnostics. Nature Cancer 2025; 6(10):1084–1085 (News & Views).
Agrawal S., Vagha S. A Comprehensive Review of Artificial Intelligence in Prostate Cancer Care: State-of-the-Art Diagnostic Tools and Future Outlook. Cureus 2024; 16(8):e66225.
Singhal N. et al. A deep learning system for prostate cancer diagnosis and grading in whole slide images of core needle biopsies. Nature 2022; 12:3383.
Campanella G., Hanna M.G., Geneslaw L. et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nature Medicine 2019; 25(8):1301–1309.
Pantanowitz L. et al. An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: a blinded clinical validation and deployment study. Lancet Digit Health 2020; 2(8):e407–e416.