Alibaba a présenté le modèle d'IA MAOSS pour la détection précoce de la stéatose hépatique

Alibaba DAMO Academy a présenté MAOSS — un modèle d'IA qui détecte les signes de maladie hépatique grasse dans les tomodensitométries sans contraste de routine et aide à sélectionner plus tôt les patients pour un diagnostic approfondi. Pour la médecine, c'est un cas important non pas sur « l'IA à la place du médecin », mais sur la façon d'extraire plus de valeur des examens déjà existants.

Pourquoi c'est important

La maladie hépatique grasse, de plus en plus appelée steatotic liver disease dans la littérature anglophone, peut rester asymptomatique longtemps. Pour cette raison, les patients viennent souvent chez le médecin seulement au stade de la fibrose ou de la cirrhose, lorsque la fenêtre d'intervention précoce se réduit considérablement. Selon Alibaba DAMO Academy, la maladie affecte actuellement environ 30% de la population mondiale et pourrait atteindre 55,7% d'ici 2040.

L'échographie de routine et les marqueurs sériques ne sont pas toujours suffisamment sensibles, et les méthodes plus précises ne sont pas disponibles dans toutes les cliniques. MAOSS cible précisément cette lacune. Le modèle a été développé avec le Shengjing Hospital of China Medical University et le Nanjing Drum Tower Hospital, et les résultats ont été publiés dans Nature Communications.

Le système combine plusieurs types de données : tomodensitométries sans contraste, indicateurs sanguins et caractéristiques calculées comme la texture, la densité et la forme du foie. L'idée est de ne pas obliger un hôpital à acheter un nouvel instrument rare, mais d'affiner le flux d'examen de routine existant pour qu'il suggère qui ne peut pas partir sans tests supplémentaires.

Ce que MAOSS sait faire

Selon l'article dans Nature Communications, le modèle a été entraîné et validé sur plusieurs ensembles de données : d'un ensemble interne de 2.071 cas à un ensemble réel de 18.504 examens. Une cohorte de 1.192 patients a été analysée séparément, où la tâche n'était pas seulement de détecter la stéatose, mais d'identifier les personnes à haut risque de progression plus grave — stéatohépatite et fibrose significative. Cette conception est importante : elle montre que le système a été testé non seulement en conditions de laboratoire, mais plus près d'un flux clinique typique.

Les résultats clés ressemblent à ceci :

• la proportion de patients à haut risque identifiés a augmenté de 16,6% à 52,4%
• AUC pour différents stades de stéatose était 0,904–0,917
• l'AUC moyen des radiologues sans assistance du modèle était 0,709
• avec MAOSS comme assistant, la précision du médecin a augmenté à 0,798

Le point le plus intéressant est différent : le modèle trouve un signal là où un patient aurait pu venir pour une raison complètement différente. Si une personne a déjà eu un scanner standard, le système peut utiliser cet examen pour un dépistage opportuniste supplémentaire sans nécessiter une procédure séparée coûteuse. Pour les systèmes de santé, c'est un argument fort car le coût de mise en œuvre dépend souvent non seulement de l'algorithme, mais aussi de la nécessité de changer le parcours du patient. Ici, Alibaba essaie de s'intégrer dans une infrastructure déjà existante.

Pas à la place du médecin

Dans la présentation d'Alibaba, ce n'est pas un « hépatologue numérique », mais un outil d'aide à la décision. MAOSS ne remplace pas le diagnostic, la biopsie, l'évaluation clinique et la gestion ultérieure du patient, mais aide à remarquer plus tôt ceux qui pourraient être manqués par un parcours standard. Cette approche semble pragmatique : le modèle ne promet pas la médecine autonome, mais réduit la proportion de cas manqués et rend le dépistage précoce moins cher.

Cela s'inscrit bien dans la stratégie plus large de DAMO Academy, qui promeut déjà le dépistage du cancer basé sur l'IA et signale plus de 50 millions de personnes couvertes par des vérifications médicales d'IA dans dix pays et régions. Mais il ne faut pas non plus surévaluer le résultat. Il s'agit d'une validation rétrospective et d'une publication de recherche, non du fait que le modèle soit devenu une norme universelle pour les hôpitaux du monde entier.

Tout tel outil nécessite une validation locale, une adaptation au flux spécifique des patients et une responsabilité claire du médecin. Sinon, même une métrique forte sur le papier peut buter sur les faux positifs, la surcharge de spécialistes ou les problèmes d'interprétation dans la pratique réelle.

Ce que cela signifie

L'histoire de MAOSS montre où l'IA médicale se déplace le plus rapidement : non vers les assistants conversationnels, mais vers les systèmes silencieux qui extraient un signal supplémentaire des données déjà collectées. Si cette approche s'échelonne, un scanner de routine pourrait progressivement passer de simplement une image pour la plainte actuelle à un filtre précoce pour les maladies chroniques qui aujourd'hui sont remarquées bien trop tard.