Micro-échographie de la prostate : ce que change µFM, un foundation model entraîné sur 1,7 million d'images, quand les annotations manquent
Une équipe de l'UCLA a entraîné µFM, un foundation model (grand modèle pré-entraîné sans étiquettes, puis adapté à des tâches précises) sur 1 736 391 images de micro-échographie prostatique, une échographie à très haute fréquence utilisée pour guider les biopsies. Avec seulement 10 % des scans annotés, µFM atteint un Dice de 93,8 % sur la capsule prostatique et de 58,4 % sur l'urètre, contre 87,9 % et 47,0 % pour le meilleur comparateur, et détecte les lésions cliniquement significatives avec une sensibilité de 0,762 pour deux fausses alertes par volume. L'avantage est net quand les annotations manquent et s'efface quand on annote tout, et les tests restent monocentriques, rétrospectifs et sans validation externe pour deux tâches sur trois, avec des auteurs liés au fabricant de l'appareil.
Le contexte
La micro-échographie (« microUS ») est une modalité d'imagerie de la prostate à haute résolution, décrite par les auteurs comme émergente pour le diagnostic du cancer de la prostate et le guidage de biopsie en temps réel. Son interprétation reste difficile : il faut délimiter la prostate, repérer l'urètre pour l'éviter lors d'un traitement focal, et décider quelles zones cibler. Chaque tâche demande normalement beaucoup d'images annotées à la main par des experts, ce qui est coûteux et lent.
L'idée des foundation models est de contourner ce goulot : on pré-entraîne un gros réseau sur une masse d'images sans étiquettes, pour qu'il apprenne les régularités visuelles du domaine, puis on l'ajuste (fine-tuning) avec peu d'exemples annotés. Plusieurs modèles de ce type existent déjà pour l'échographie en général. Le pari de ce papier : un modèle spécifique à une seule modalité, la microUS, devrait faire mieux que des modèles généralistes ou « toutes échographies ».
La méthode
Le modèle. µFM repose sur un ViT-B/16, un Vision Transformer, architecture qui découpe l'image en carrés de 16 × 16 pixels traités comme les mots d'une phrase. Son pré-entraînement suit la recette DINOv2 : un réseau « élève » doit reproduire les représentations d'un réseau « professeur » à partir de versions déformées ou masquées de la même image (objectifs DINO et iBOT), sans aucune étiquette. Le papier ne donne pas le nombre de paramètres.
Les données de pré-entraînement. 1 736 391 images issues de 6 610 scans de 780 patients, acquises à l'UCLA entre janvier 2023 et avril 2026, avant et après biopsie, toutes sur une même plateforme microUS et avec un seul opérateur. Les patients utilisés ensuite pour les tests sont exclus du pré-entraînement.
Les trois tâches aval. La segmentation de la capsule prostatique (jeu public de l'Université de Floride : 75 patients, répartis en 45 pour l'entraînement, 10 pour la validation et 20 pour le test) ; la segmentation de l'urètre (UCLA : 105 patients, 60/15/30) ; la localisation de lésions cliniquement significatives, c'est-à-dire de grade ISUP 2 ou plus (UCLA : 190 patients, 110/22/58 dont 48 patients lésionnels et 10 sans lésion dans le test). La segmentation consiste à attribuer à chaque pixel une étiquette (« capsule », « urètre », « fond »).
Les comparateurs. Le même ViT-B initialisé au hasard, ou pré-entraîné par iBOT et DINOv2 (images naturelles), BiomedCLIP (images biomédicales) et quatre modèles échographiques (USFM, URFM, USF-MAE, EchoCare), ainsi que trois réseaux entraînés de zéro : nnU-Net (cadre de segmentation qui configure automatiquement son pipeline), TransUNet et MicroSegNet. Les segmentations sont ajustées sur 10, 20, 50 et 100 % des scans d'entraînement, cinq répétitions avec des graines aléatoires différentes. Les statistiques reposent sur des tests de Wilcoxon avec correction de Holm.
Les métriques. Le Dice mesure le recouvrement entre le masque prédit et le masque de référence (1 = parfait). La HD95 est la distance, en millimètres, sous laquelle se trouvent 95 % des points du contour prédit par rapport au contour de référence : plus elle est faible, mieux c'est. La FROC trace la sensibilité (part des lésions trouvées) en fonction du nombre de fausses détections par volume.
Les résultats
Métriques ML. Capsule, avec 10 % des scans : Dice 93,8 ± 0,6 % et HD95 2,0 ± 0,4 mm pour µFM, contre 87,9 % et 5,8 mm pour EchoCare, le meilleur comparateur pré-entraîné, et 85,8 % pour nnU-Net. Urètre, avec 10 % : Dice 58,4 ± 1,0 % et HD95 4,3 mm, contre 47,0 % et 6,8 mm pour EchoCare. Avec 100 % des scans, l'écart se resserre : 95,1 % pour µFM contre 94,6 % pour nnU-Net sur la capsule, différence non significative (pHolm = 0,648 pour le Dice) ; 63,1 % contre 59,4 % pour EchoCare et 58,2 % pour MicroSegNet sur l'urètre, différence non significative avec ces deux derniers. Pour la lésion, à une fausse détection par volume, la sensibilité est de 0,648 ± 0,023 (URFM : 0,507), et à deux fausses détections de 0,762 ± 0,030 (URFM : 0,559). Aucun test statistique n'est rapporté pour cette tâche.
Traduction clinique. Pour la capsule, 10 % des scans d'entraînement représentent ici de l'ordre de cinq scans (calcul à partir des 45 patients d'entraînement) ; atteindre 93,8 % de Dice avec si peu d'annotation est ce qui intéresse un service qui voudrait adapter l'outil à son propre appareil. Un Dice de 58,4 % sur l'urètre signifie que fausses détections et omissions représentent environ 1,4 fois le volume correctement segmenté : le contour reste approximatif, ce qui compte pour une structure à épargner lors d'un traitement focal. Pour la détection, à deux fausses alertes par volume, environ trois lésions sur quatre sont trouvées, soit sur 100 lésions réelles environ 24 manquées contre environ 44 pour le meilleur comparateur, mais chaque examen générerait en moyenne deux zones à revérifier. Le nombre exact de lésions du test n'est pas indiqué dans le texte.
Ce qui est bien
Une échelle et une comparaison larges. 1,7 million d'images pré-entraînées sur un domaine étroit, face à onze références de quatre familles (images naturelles, biomédicales, échographie générale, réseaux supervisés), avec cinq graines et des tests corrigés pour comparaisons multiples.
Une mesure de la sobriété en annotations. Les résultats sont donnés à 10, 20, 50 et 100 % des scans, ce qui montre où le pré-entraînement aide et où il cesse d'aider. Les auteurs ne cachent pas que, à 100 %, nnU-Net égale µFM sur la capsule.
Une séparation soignée des patients. Les patients des tâches aval sont exclus du pré-entraînement au niveau du patient, ce qui limite le data leakage (fuite d'information du test vers l'entraînement). Le jeu de capsule vient en outre d'un autre établissement, l'Université de Floride, ce qui apporte un début de test hors site pour cette tâche.
Ce qui est moins bien
Un biais de population et de dispositif. Pré-entraînement et deux tâches sur trois viennent d'un seul hôpital, d'une seule plateforme et d'un seul opérateur. Le risque est un shortcut learning : le modèle peut s'appuyer sur des signatures propres à l'appareil ou à la manière de scanner de cet opérateur plutôt que sur l'anatomie. Les auteurs reconnaissent l'absence de validation externe ou prospective pour l'urètre et les lésions.
De petits échantillons de test et une incertitude mal décrite. Les tests comptent 20, 30 et 58 patients. Les écarts-types portent sur cinq répétitions d'entraînement, pas sur le tirage des patients : ils mesurent la stabilité de l'optimisation, pas l'incertitude statistique de la performance. Aucun test n'est fourni pour la détection de lésions, et aucune ablation n'isole ce qui fait le gain : la spécificité du domaine, le volume de données ou la recette d'entraînement. De plus, µFM est pré-entraîné sur des images de l'établissement qui fournit aussi les jeux de test urètre et lésions, alors que, d'après le texte, les comparateurs viennent d'autres sources : la comparaison est moins symétrique qu'elle n'y paraît.
Une métrique qui flatte et une tâche qui ne reflète pas la clinique. Un Dice de 95 % sur la capsule laisse peu de marge : à 100 % des annotations, la différence avec nnU-Net n'est pas significative. Pour les lésions, une sensibilité de 0,762 au prix de deux fausses détections par volume est un point d'une courbe FROC moyennée, pas un taux de détection de patients. Le papier mesure la performance algorithmique, pas son effet sur le ciblage des biopsies ni sur le flux de travail. À cela s'ajoutent des liens d'intérêts : un auteur est affilié à Exact Imaging, fabricant de l'appareil ExactVu utilisé, deux autres reçoivent des financements ou honoraires de cette société, un dernier a un intérêt financier dans Siemens Healthineers. Le financement public vient du NIH (R01-CA248506 et R01-CA272702). Aucune déclaration de disponibilité du code ou des poids n'est faite, et les données ne sont pas publiques.
Ce que ça change
Pour la communauté de recherche. Le papier fournit un point de comparaison solide pour la microUS et suggère qu'un modèle spécifique à une modalité aide surtout quand les annotations sont rares. La suite logique : le tester sur d'autres centres et d'autres machines, avec des ablations, et publier le code et les poids pour que d'autres puissent le vérifier.
Pour les cliniciens. Rien ne change aujourd'hui : il s'agit d'un preprint, pas d'un outil validé, et aucun résultat ne concerne la décision de biopsier. À terme, un modèle de base adaptable avec quelques dizaines d'annotations pourrait réduire le coût de mise en route d'outils de segmentation ou d'aide au ciblage, sous réserve de démontrer qu'il tient d'un hôpital à l'autre.
Pour les patients et le public. Un meilleur repérage de la prostate, de l'urètre et des zones suspectes pourrait, si la validation suit, rendre les biopsies et les traitements focaux plus précis. On en est loin : le papier ne dit rien sur les diagnostics manqués ou les biopsies évitées en pratique.
Pour aller plus loin
Le preprint est disponible sur medRxiv : doi.org/10.64898/2026.09.29.26364330. Il s'appuie sur le jeu de données public de MicroSegNet (Université de Floride) pour la capsule prostatique. Les comparateurs cités (DINOv2, BiomedCLIP, USFM, URFM, USF-MAE, EchoCare, nnU-Net, TransUNet, MicroSegNet) sont décrits dans leurs publications respectives. Le preprint n'a pas été relu par les pairs ; la licence du preprint est CC BY-NC-ND 4.0.
Transparence éditoriale : cet article a été produit avec l'aide d'outils d'intelligence artificielle, à partir du texte du preprint ; les versions en anglais, espagnol et chinois sont des traductions automatiques.