Échographie thyroïdienne : une IA « agentique » auditable testée sur 35 centres, et les trois chiffres que le résumé ne dit pas

Quatorze auteurs, principalement de l’université Sun Yat-sen et de l’hôpital Zhujiang à Canton, présentent ThyroidXAgent : un système « agentique » qui enchaîne segmentation du nodule, classification bénin/malin et rédaction du compte rendu d’échographie thyroïdienne, en conservant chaque sortie intermédiaire comme pièce justificative que le clinicien peut inspecter et corriger. La segmentation atteint un Dice moyen de 87,21 % sur sept jeux de test, et sur 4 999 cas issus de 35 centres chinois indépendants l’AUC de classification bénin/malin est de 0,819 [0,808–0,831]. Trois choses manquent pourtant : le papier n’écrit nulle part comment le caractère bénin ou malin a été établi sur ses jeux de test de classification, la moyenne d’AUC annoncée dans son résumé — 0,9466 — ne se retrouve pas dans son propre tableau supplémentaire, et le mot « surdiagnostic » n’apparaît pas une seule fois dans un travail consacré à la détection du cancer de la thyroïde.

Le contexte

Le nodule thyroïdien est l’une des découvertes d’imagerie les plus banales de la médecine : selon les séries, une échographie cervicale en détecte chez 20 à 70 % des adultes, et la très grande majorité de ces nodules ne deviendra jamais une maladie. Le travail du radiologue consiste donc moins à trouver des nodules qu’à décider lesquels justifient une cytoponction à l’aiguille fine. Cette décision passe par des grilles de score standardisées — TI-RADS et ses déclinaisons — qui combinent composition, échogénicité, forme, contours et présence de foyers hyperéchogènes ponctiformes. Le problème connu de cette chaîne est la variabilité : deux opérateurs devant la même image ne cotent pas toujours pareil, et le compte rendu final est souvent rédigé en texte libre, avec des formulations hétérogènes d’un praticien à l’autre.

Ce contexte a une deuxième face, que le papier ne mentionne pas et qu’il faut poser d’emblée. La thyroïde est le cas d’école du surdiagnostic en cancérologie : en Corée du Sud, l’incidence déclarée du cancer thyroïdien a été multipliée par une quinzaine entre le début des années 1990 et 2011 sous l’effet du dépistage échographique, sans que la mortalité par ce cancer bouge — le constat publié par Ahn, Kim et Welch dans le New England Journal of Medicine en 2014. Autrement dit, sur cette pathologie précise, augmenter la sensibilité de détection n’est pas mécaniquement un progrès. C’est la grille de lecture qui manque le plus à ce papier.

Côté IA, l’état antérieur est morcelé : un modèle pour segmenter, un autre pour classer, chacun rendant un verdict isolé et opaque. La proposition de 2026 est agentique : un modèle de langage joue le chef d’orchestre, appelle des outils spécialisés et — c’est l’argument central de ce travail — conserve leurs sorties dans un dossier de preuves consultable et modifiable.

La méthode

Les auteurs constituent d’abord OpenThyroidDB, un agrégat d’environ 0,3 million d’images échographiques et 24 000 comptes rendus appariés. Le sous-ensemble utilisé pour la segmentation et la classification compte 38 864 images issues de sept cohortes, six centres cliniques répartis entre la Chine, le Vietnam et la Colombie, et au moins huit plateformes échographiques différentes. Trois de ces cohortes servent exclusivement de test externe : DDTI (Bogota, Colombie), RJH-7K (hôpital Ruijin, Shanghai) et ZJH-8K (hôpital Zhujiang, Canton). S’y ajoute une cohorte privée, NHC-MISD-TUS, issue de la base d’images de référence de la Commission nationale de la santé chinoise : 8 721 cas de 35 centres pour la segmentation de la glande, 6 384 cas de 33 centres pour la segmentation du nodule, 4 999 cas pour la classification.

Le banc d’experts. Plutôt qu’un modèle unique, le système entraîne une famille de modèles spécialisés, chacun construit sur un tronc commun DINOv3 — un encodeur d’images entraîné par auto-supervision, c’est-à-dire sans étiquettes humaines, puis complété d’une tête légère spécifique à la tâche. Ces experts diffèrent par leur résolution d’entrée (128, 224 ou 448 pixels), par la composition de leurs données d’entraînement, et par le fait qu’ils partent ou non des poids pré-entraînés de DINOv3. Pour la segmentation, un décodeur de type U-Net reconstruit le masque du nodule.

Le routeur et la couche de preuves. C’est la brique « agentique ». Un modèle de langage reçoit non pas les images mais des résumés structurés — masques candidats, probabilités de classe, confiance, descripteurs radiomiques, métadonnées d’acquisition — et émet une décision au format JSON strict : quel expert retenir, ou quelle pondération appliquer à un sous-ensemble. À partir du masque retenu, une branche radiomique extrait des descripteurs de forme, de texture et d’intensité par PyRadiomics, puis les passe à un ensemble tabulaire AutoGluon dont les décisions sont expliquées par SHAP — une méthode qui attribue à chaque descripteur sa contribution chiffrée au score final. Si le clinicien corrige le masque, ces attributions sont recalculées sur le masque corrigé : c’est la boucle que revendique le titre.

La génération du compte rendu. Un modèle de langage planificateur produit un graphe de tâches, un exécuteur de type ReAct appelle les outils via un serveur MCP, puis le texte est assemblé par récupération de gabarits : BM25 sélectionne un modèle de phrase dans une bibliothèque de 7 147 comptes rendus contrôlés et les valeurs mesurées sont insérées dans les emplacements prévus. Point important et rarement souligné : il n’y a aucun décodage libre. Le compte rendu n’est pas « écrit » par un LLM, il est rempli — ce qui explique en grande partie l’absence d’hallucinations.

Une réserve de méthode s’impose ici : ni le routeur, ni le planificateur, ni le « juge » servant à valider la nouvelle métrique ne sont jamais nommés ni dimensionnés. On ne sait pas quel modèle de langage fait tourner la partie agentique du système.

Les résultats

Segmentation. Sur sept jeux de test, le Dice moyen — la proportion de recouvrement entre le masque prédit et le masque de référence, où 100 % signifie une superposition parfaite — atteint 87,21 %, contre 85,66 % pour MedSAM2, la meilleure référence, et 79,66 % pour le modèle de fondation UltraFedFM. La distance de Hausdorff au 95^e percentile, qui mesure l’erreur de contour la plus grossière, est de 6,90 mm et reste la plus basse sur les sept jeux.

Classification bénin/malin. Le résumé annonce une AUC moyenne de 0,9466 sur cinq jeux de test. Le tableau supplémentaire S4, lui, donne les cinq valeurs suivantes : 0,8692 (TN3K), 0,9676 (ThyroidXL), 0,9472 (TN5K), 0,7991 (DDTI) et 0,9175 (ZJH-8K). Leur moyenne arithmétique est 0,9001, pas 0,9466 — et aucune pondération par effectif ne permet de retrouver le chiffre annoncé, qui exigerait une AUC supérieure à 1 sur DDTI. La même divergence joue en sens inverse sur l’AUPRC : le résumé annonce 0,8361, le tableau donne 0,8705. Les moyennes de segmentation, elles, se recoupent parfaitement, ce qui écarte une simple convention d’arrondi. Nous signalons l’écart sans pouvoir l’expliquer ; il est vérifiable ligne à ligne dans le matériel supplémentaire du préprint.

La validation externe multicentrique est le résultat le plus informatif du papier, et c’est aussi le moins flatteur. Sur les 35 centres de NHC-MISD-TUS, la segmentation du nodule tient bien (Dice 82,31 %), mais la segmentation de la glande thyroïde s’effondre à 59,28 % — et le système n’est le meilleur que dans 17 centres sur 35 pour cette tâche, avec des valeurs planchers de 3 % à 37 % dans plusieurs d’entre eux. La classification bénin/malin descend à AUC 0,819 [0,808–0,831], soit huit à quinze points de moins que sur les jeux internes. Par centre, l’AUC va de 0,407 à 1,000 ; le plus gros centre (n = 269) obtient 0,590 avec un intervalle de confiance allant de 0,346 à 0,832.

Tâches secondaires et études avec cliniciens. Métastase ganglionnaire : AUC 0,8642 sur 158 images, devant MedGemma (0,8403) et GPT-5 (0,8410), mais avec des intervalles de confiance qui se recouvrent largement et aucun test de significativité. Carcinome folliculaire contre papillaire : AUC 0,8053 sur 200 images, où GPT-5 obtient 0,1604 — nettement pire que le hasard, résultat que les auteurs publient sans le maquiller. Sur 500 images en aveugle, deux cliniciens ont lu avec puis sans l’aide du système : le premier passe d’une exactitude de 79,2 % à 84,6 %, le second de 74,0 % à 84,8 %, ce dernier avec une sensibilité qui monte de 71,6 % à 85,6 % et une spécificité de 76,4 % à 84,0 %. L’assistance fait passer la segmentation de 14,21 à 9,11 secondes par image (−35,9 %), avec un Dice assisté de 0,903 contre 0,879 en manuel, et la rédaction de 2,5 à 1,8 minute par cas sur 145 vidéos (−27,4 %).

Traduction clinique. Le papier ne publie ni seuil de décision, ni sensibilité, ni spécificité pour le modèle lui-même — seulement des AUC. Il est donc impossible de convertir la performance du système en faux positifs et faux négatifs, ce qui est en soi une lacune. On peut en revanche traduire les chiffres du second clinicien. Sur le jeu de 500 images, dont on peut déduire une prévalence de malignité proche de 50 %, sur 1 000 nodules il manquait 142 cancers et signalait à tort 118 nodules bénins ; avec l’aide du système, 72 cancers manqués et 80 faux positifs. Mais si l’on applique ces mêmes sensibilité et spécificité à une population de consultation réelle, où la proportion de nodules malins est plutôt de l’ordre de 10 %, les 1 000 nodules donnent 86 cancers détectés, 14 manqués — et 144 faux positifs, soit une valeur prédictive positive d’environ 37 %. Ce calcul est une extrapolation de notre part, pas un résultat du papier, et il illustre exactement le problème : une AUC élevée sur une cohorte enrichie en cancers ne dit rien du volume de cytoponctions inutiles en pratique.

Ce qui est bien

La couche de preuves n’est pas un habillage : elle est mesurée. Beaucoup de travaux revendiquent l’explicabilité en collant un Grad-CAM à la fin d’un pipeline. Ici la correction du masque par le clinicien déclenche un recalcul des attributions SHAP, et le coût de cette correction est chiffré : 9,11 secondes contre 14,21 en segmentation manuelle, avec un Dice qui monte plutôt que de baisser (0,903 contre 0,879). Le fait que le compte rendu soit assemblé par gabarits plutôt que décodé librement est une décision d’ingénierie conservatrice et, sur un document médico-légal, défendable.

La validation externe est publiée centre par centre. C’est rare, et c’est à l’honneur des auteurs : les tableaux supplémentaires donnent les performances des 35 centres séparément, y compris les centres où le système obtient 3 % de Dice sur la glande. La pratique dominante consiste à ne publier que la moyenne agrégée, qui aurait ici masqué une hétérogéneité considérable. C’est cette granularité qui rend le travail critiquable — donc utile.

Les comparateurs sont nombreux et contemporains. MedSAM2, MedSegX, UltraFedFM, TransUNet côté segmentation ; MedGemma, Qwen3-VL-8B, GPT-5, Gemini-2.5-Pro, BiomedCLIP, MedSigLIP côté classification et compte rendu. Les auteurs publient les résultats défavorables à leurs concurrents comme les résultats absurdes — GPT-5 à 0,1604 d’AUC sur folliculaire contre papillaire — sans les lisser.

Ce qui est moins bien

Le standard de référence du critère principal n’est jamais énoncé. C’est la faiblesse centrale. Le papier affirme une confirmation histopathologique dans exactement deux endroits : pour les sous-étiquettes de la cohorte ZJH-8K (statut ganglionnaire, variante papillaire classique contre variante folliculaire) et, pour la cohorte ganglionnaire LymphUs, une confirmation par cytoponction. Pour aucun des cinq jeux de test de classification bénin/malin — TN3K, TN5K, ThyroidXL, DDTI, ZJH-8K pris globalement — ni pour la cohorte privée de 35 centres, le texte n’indique si les étiquettes viennent d’une chirurgie, d’une cytologie ou d’une lecture d’image. Aucune proportion de nodules confirmés histologiquement n’est donnée. Pire, la vérité terrain de l’étude de lecture est explicitement dérivée d’annotations : « les cases contenant une annotation maligne ont été classées malignes ou suspectes ». Autrement dit, le critère de jugement pourrait mesurer l’accord du modèle avec le radiologue annotateur, pas avec la maladie — un cas manuel de shortcut learning où la cible apprise n’est pas celle qu’on croit.

Les métriques choisies flattent le système, et le comparateur externe est vide. Trois mécanismes se cumulent. D’abord la cohorte ZJH-8K, présentée comme test externe, contient 723 cas malins sur 1 149, soit 62,9 % de prévalence — un profil de série chirurgicale, à l’opposé d’une population de dépistage ; une AUC y est structurellement optimiste. Ensuite, sur le jeu privé de 35 centres, les seuls comparateurs sont des modèles zero-shot — BiomedCLIP et MedSigLIP, qui n’ont jamais vu de thyroïde étiquetée et tournent à 0,43-0,52, soit le hasard. Opposer 0,819 à 0,44 n’établit rien : aucun classifieur supervisé entraîné sur les mêmes données n’a été mis en face. Enfin, aucune calibration n’est rapportée — le mot n’apparaît que dans les limites, comme une propriété dont le système dépend —, aucun seuil n’est fixé, aucune comparaison à TI-RADS n’est faite, et aucune courbe de décision clinique n’est produite. Sur une pathologie où toute la question est « faut-il ponctionner ce nodule ? », c’est précisément la mesure manquante.

Le surdiagnostic est absent, les cliniciens sont deux, et le code est « ouvert » sous condition. Les termes surdiagnostic, microcarcinome, indolent et surveillance active n’apparaissent pas une seule fois dans le papier ni dans sa bibliographie : la fonction objectif est toujours la détection, jamais l’évitement d’un geste inutile — alors que faire monter la sensibilité d’un lecteur de 71,6 % à 85,6 % sur la thyroïde est exactement l’intervention dont l’épidémiologie coréenne a montré les limites. Les études de lecture reposent sur deux cliniciens dont ni l’ancienneté ni la spécialité ne sont précisées, sans valeur de p ni intervalle de confiance ; l’étude de rédaction est un croisement entre lecteurs et non intra-lecteur, si bien qu’avec deux opérateurs la condition testée est parfaitement confondue avec l’identité du lecteur, et le chiffre de cohérence 70,3 % → 86,2 % mis en avant dans le résumé n’apparaît que là, sans tableau ni test. Les données sont enfin presque intégralement chinoises — biais de population direct. Quant au code annoncé « publiquement disponible » : les deux dépôts Hugging Face sont en accès gated avec approbation manuelle, aucun des trois dépôts (GitHub, poids, données) ne déclare de licence, le site est promis « après acceptation », et la cohorte privée de 35 centres n’a aucune voie d’accès.

Ce que ça change

Pour la communauté de recherche, l’apport net n’est pas le score, c’est le patron d’architecture : un routeur qui arbitre entre plusieurs experts sur la base de signaux structurés, et une couche de preuves persistante que le clinicien peut corriger avec recalcul en aval. L’enseignement le plus solide est en réalité l’écart interne/externe — 0,90 contre 0,819 en classification, 87 % contre 59 % en segmentation de la glande — mesuré sur 35 centres réels et publié centre par centre. C’est ce type de tableau, plus que les moyennes agrégées, qui devrait devenir la norme de publication en imagerie médicale.

Pour les cliniciens, rien ne change aujourd’hui : l’évaluation est rétrospective, les auteurs le disent, et aucun seuil opérationnel n’est publié. Le résultat le plus directement exploitable est le moins spectaculaire : la correction assistée d’un contour prend 9 secondes au lieu de 14 sans dégrader la qualité, et un compte rendu structuré assemblé par gabarits fait gagner une quarantaine de secondes par cas. Le gain démontré est un gain de temps et d’homogénéité de rédaction — pas un gain diagnostique.

Pour les patients et le public, la prudence porte sur ce que « détecter mieux » veut dire ici. Sur la thyroïde plus que sur presque toute autre localisation, un système qui augmente la sensibilité sans qu’on sache combien de faux positifs il produit à prévalence réelle peut produire davantage de cytoponctions, de thyroïdectomies et de traitements hormonaux à vie, sans qu’aucune vie ne soit sauvée. Ce n’est pas un procès fait à ce papier : c’est la question à poser à tout outil de ce type, et c’est celle que ce papier ne pose pas.

Pour aller plus loin

Le préprint est disponible sur arXiv (2608.12590), déposé le 12 août 2026 sous licence CC BY-NC-ND 4.0 ; ses dix-sept tableaux supplémentaires contiennent l’essentiel de la matière critiquable. Le code est annoncé sur GitHub, les poids et les données sur Hugging Face (MedXAgent/ThyroidXAgent et MedXAgent/ThyroidOpenDB), les deux dépôts étant conditionnés à une approbation manuelle et aucun ne déclarant de licence. L’étude a été approuvée par le comité d’éthique de l’hôpital Zhujiang (n° 2026-KY-081-01) et financée par la Fondation nationale des sciences naturelles de Chine (62322608). Sur le surdiagnostic thyroïdien, la référence reste l’article d’Ahn, Kim et Welch paru dans le New England Journal of Medicine en 2014.