Jean Pierre LAROCHE 12 Août 2026 Clics : 175

IA : de la face et de la matabolomique au foie

De la face au foie, il était une fois

Yann LeCun (Meta) : « L’IA est un outil pour augmenter nos capacités, pas pour nous remplacer. »
Yoshua Bengio (pionnier du deep learning) : « L’IA est un outil puissant, mais c’est juste un outil. C’est à nous de décider comment l’utiliser. »
Oren Etzioni (chercheur en IA) : « L’IA est comme avoir un couteau. Vous pouvez l’utiliser pour couper du pain ou pour blesser quelqu’un. C’est à nous de décider comment l’utiliser. »
Eliezer Yudkowsky : « Le danger de l’IA n’est pas qu’elle devienne consciente et nous déteste, mais qu’elle devienne compétente et nous ignore. »

PRÉAMBULE

Métabolomique : la métabolomique est l'étude scientifique globale de l'ensemble des métabolites (les petites molécules comme les sucres, acides aminés ou lipides) présents dans une cellule, un tissu ou un organisme . Elle permet de dresser un profil chimique et de comprendre l'état physiologique réel d'un système vivant..IA

Diagnostic multimodal des maladies stéatosiques du foie par intelligence artificielle utilisant des images faciales et la métabolomique Gao et al., 2026, Cell Reports Medicine 7, 102971 August 18, 2026 © 2026 The Authors. Published by Elsevier Inc.
https://doi.org/10.1016/j.xcrm.2026.102971
https://www.sciencedirect.com/science/article/pii/S2666379126003885
En libre accès

Points forts

L'imagerie faciale 3D détecte la stéatose hépatique de manière non invasive.
Les scores de risque facial sont corrélés aux voies métaboliques des glycolipides et des acides aminés.
Les modèles multimodaux intégrant la métabolomique améliorent la précision des prédictions.
L'IA établie sur les smartphones et respectueuse de la vie privée permet un dépistage à grande échelle.

Résumé

La stéatose hépatique (SH) touche un tiers de la population mondiale. Or, les méthodes diagnostiques non invasives actuelles sont trop coûteuses ou trop dépendantes de l'opérateur pour un dépistage à grande échelle. Nous présentons ici 3D-FAICE, un système d'apprentissage profond qui utilise l'imagerie faciale tridimensionnelle pour la détection non invasive de la SH. Entraîné et testé sur 11 456 participants, le modèle facial affiche des performances robustes au sein de cohortes longitudinales internes, externes et autocontrôlées, et reste efficace dans un contexte de soins de proximité via smartphone. L'analyse métabolomique révèle que les scores de risque faciaux sont corrélés aux voies métaboliques des glycolipides et des acides aminés, ce qui confirme la plausibilité biologique du modèle. La fusion multimodale des données faciales et métabolomiques améliore encore la précision, et une stratégie de distillation intermodale accroît significativement les performances du modèle basé uniquement sur l'analyse faciale. Ces résultats établissent l'IA basée sur l'imagerie faciale comme un outil non invasif, évolutif et respectueux de la vie privée pour le dépistage de la SH, avec des applications potentielles en autosurveillance et en gestion de la santé publique.
HPIK3qBbkAA9GuT

Illustration schématique du plan d'étude

Vue d'ensemble schématique du cadre 3D-FAICE pour la détection des troubles spécifiques du développement (TSD). À gauche : acquisition et prétraitement des données de la cohorte CC-3DF, suivis d'un apprentissage de la représentation et d'une modélisation multitâche basée sur l'apprentissage profond. Le modèle a prédit simultanément le statut TSD, les caractéristiques démographiques (âge, sexe), les comorbidités (diabète), les indices anthropométriques (IMC) et les paramètres biochimiques (TG, CHO, ALT, AST, LDLc, HDLc et glucose). Ses performances ont été évaluées sur plusieurs cohortes, dont un ensemble de test interne ( n = 834), un ensemble de test externe ( n = 525), un ensemble de test longitudinal autocontrôlé ( n = 39) et une cohorte de soins de proximité via smartphone ( n = 618). À droite : les analyses en aval incluaient l'analyse de corrélation métabolomique, l'intégration multimodale des données faciales et métabolomiques, l'interprétabilité du modèle par cartographie SHAP des régions d'intérêt et un entraînement préservant la confidentialité grâce à l'apprentissage fédéré et à la confidentialité différentielle.

Performances du modèle 3D-FAICE pour la détection de la SLD et la prédiction des caractéristiques biométriques

(A) Courbes ROC (Receiver Operating Characteristic) montrant les performances du modèle facial dans la détection de la SLD dans l'ensemble de test interne (bleu) et l'ensemble de test externe (jaune).

(B) Analyses de sous-groupes de la prédiction de la SLD selon différentes catégories cliniques et démographiques, démontrant une performance constante dans les stades précoces de la maladie, chez les individus ayant un IMC normal, en cas de MASLD, d'ALD, selon le sexe et l'âge. Les barres d'erreur représentent les intervalles de confiance à 95 %.

(C) Diagramme de forêt présentant les odds ratios (OR) ajustés issus du modèle de régression logistique multivariée (âge, sexe, IMC, diabète et score de risque de Framingham). Les points foncés indiquent les OR avec p < 0,05. Les OR sont représentés sur une échelle logarithmique (log10). Les barres d'erreur représentent les intervalles de confiance à 95 %.

(D et E) Comparaison du score de risque de Framingham (FRS) avec les indices cliniques (HSI, FLI, NAFLD-LFS, FIB-4) pour la détection des maladies hépatiques spécifiques (SLD) sur un ensemble de test interne (D) et externe (E). Les barres d'erreur représentent les intervalles de confiance à 95 %. *** p < 0,001, ** p < 0,01, ns : non significatif.

(F) Courbe ROC démontrant la faisabilité de la prédiction SLD au point de soins basée sur un smartphone chez les consommateurs d'alcool.

(G–J) Performance du modèle de prédiction de l'IMC à partir d'images faciales. Diagrammes de dispersion de l'IMC prédit par rapport à l'IMC réel dans les ensembles de test internes (G) et externes (I), avec les coefficients de corrélation de Pearson (PCC), le coefficient de détermination ( ^R²) et l'erreur absolue moyenne (MAE). Les diagrammes de Bland-Altman pour les cohortes internes (H) et externes (J) illustrent la concordance entre l'IMC prédit et l'IMC mesuré, avec le biais moyen et les limites d'accord à 95 %.

Performances de 3D-FAICE en mode d'apprentissage fédéré et protection contre les attaques contre la vie privée

(A) Comparaison des performances des modèles selon les stratégies d'entraînement. Les diagrammes en boîte présentent les valeurs AUC sur les ensembles de test internes et externes pour les modèles entraînés de manière centralisée, fédérés standard et fédérés sécurisés (avec DP). La ligne centrale indique la médiane ; les limites de la boîte, l'écart interquartile ; les moustaches, 1,5 × écart interquartile ; les points, les valeurs aberrantes.

(B) Exemples représentatifs de reconstructions faciales générées par des attaques par inversion de modèle sur différents modèles. Les reconstructions issues de modèles fédérés standard et entraînés de manière centralisée ont conservé les caractéristiques identifiables, tandis que l'entraînement fédéré sécurisé avec DP a considérablement dégradé la qualité de la reconstruction. L'image originale (à gauche) est présentée à titre de référence ; toutes les reconstructions ont été post-traitées par transfert de style pour la visualisation.

(C–E) Évaluation quantitative de la qualité de reconstruction sous attaques par inversion, à l'aide de l'erreur quadratique moyenne relative (MSE) (C), de l'indice SSIM (D) et de l'indice LPIPS (E). Comparée aux modèles entraînés de manière centralisée ou aux modèles fédérés standards, la formation fédérée sécurisée a produit des valeurs de MSE et de LPIPS plus élevées et un indice SSIM plus faible, indiquant une meilleure résistance aux fuites de données. Les barres d'erreur représentent l'écart type.

CHATGPT

Commentaire

Cet article est passionnant parce qu'il ouvre des débouchés concrets et robustes pour le dépistage précoce, ici des atteintes hépatiques. Tout ce qui permet un dépistage simple, non agressif, fiable et un atout pour le dépistage précoce ++++.

À LIRE : à propos de l'IA et de l'œil

Une technique différente, mais qui permet un dépistage multiple, rapide et non invasif des affections cardiovasculaires.