Imaginostics : quand l’IA en imagerie médicale dépend d’abord de la qualité des données

J'ai eu l'occasion d'assister à une présentation très intéressante de la startup franco-américaine Imaginostics lors de l'évènement eMerge Americas cet été. La jeune entreprise a présenté une technologie d’IRM capable de mesurer, pour un patient donné et en un seul examen, certains paramètres des plus petits vaisseaux de son cerveau. Derrière cette avancée se dessine un enjeu encore sous-estimé de la santé numérique : la performance de l’intelligence artificielle dépend moins de la seule sophistication des algorithmes que de la qualité, de la précision et de la pertinence clinique des données qu’on leur fournit.

Sur l’écran, deux représentations d’un même cerveau. La première ressemble à ce que l’on associe spontanément à une IRM : une anatomie, des contours, des variations de contraste qu’un radiologue va interpréter. La seconde cherche à faire apparaître autre chose : un réseau de vaisseaux beaucoup plus fins, associé à des mesures quantitatives de leur densité, de leur structure ou encore de leur perméabilité. Le changement est bien plus que technique. Imaginostics cherche à faire évoluer l’imagerie d’une logique où l’on observe principalement une image vers une logique où certaines caractéristiques biologiques peuvent être mesurées directement à l’échelle du patient.

Cofondée par Valérie Gharagouzloo, avocate devenue entrepreneuse dans la healthtech, et le Dr Codi Gharagouzloo, ingénieur-chercheur en physique IRM, l’entreprise est née aux États-Unis autour d’une innovation scientifique développée à Boston. Désormais basée à Orlando, en Floride, elle cherche à faire passer cette technologie de la recherche vers des usages cliniques. Son parcours illustre surtout une question qui dépasse largement son propre cas : alors que l’IA médicale est souvent évaluée à travers ses modèles, ne faudrait-il pas commencer par regarder ce que les dispositifs médicaux sont réellement capables de mesurer ?

L’IA médicale commence avant l’algorithme

Depuis plusieurs années, le récit dominant autour de l’intelligence artificielle en santé est celui de l’amélioration des modèles : meilleure détection, meilleure classification, meilleure prédiction, davantage de données d’entraînement. Or, une IA médicale n’observe jamais directement un patient. Elle analyse une représentation produite en amont par un scanner, un laboratoire, un capteur, un séquenceur génomique ou un autre dispositif de mesure. La qualité de ce que l’algorithme pourra comprendre dépend donc d’abord de la qualité de cette représentation.

Un modèle peut détecter des corrélations invisibles à l’œil humain, combiner des milliers de variables et extraire des signaux faibles dans des volumes de données considérables. Mais il ne peut pas recréer avec certitude une information biologique qui n’a jamais été correctement capturée. Et c’est donc précisément sur cette couche qu’Imaginostics cherche à intervenir. « Nous transformons le signal IRM d’un signal essentiellement qualitatif en données quantitatives exploitables, à partir desquelles nous pouvons extraire des biomarqueurs vasculaires mesurables », explique Valérie Gharagouzloo.

L’entreprise s’appuie sur deux plateformes complémentaires conçues pour fonctionner avec des scanners IRM existants.

ImagiView™ génère de nouvelles données vasculaires en utilisant notamment un agent de contraste à base de fer, une alternative au gadolinium pour certains patients chez lesquels ce dernier est contre-indiqué, notamment dans certaines situations d’insuffisance rénale chronique. Cette technologie a obtenu en octobre 2024 une désignation Breakthrough Device de la FDA pour une application clinique spécifique.

ImagiSight™ vise ensuite à extraire de ces images des biomarqueurs quantitatifs liés à la structure et au fonctionnement des petits vaisseaux, à la densité microvasculaire des tissus ou encore à la perméabilité de la barrière hémato-encéphalique.

On ne parle pas ici d'obtenir une image plus précise : il s’agit de transformer progressivement l’image en donnée quantitative, la donnée en biomarqueur et, à terme, le biomarqueur en information utile pour la décision médicale. Et à ce titre, l’intelligence ne commence pas nécessairement avec l’algorithme. Elle dépend d’abord de ce que le système parvient à rendre observable.

De la cohorte au patient individuel

Cette question de la mesure devient particulièrement importante avec la médecine de précision. Une grande partie des connaissances médicales repose sur des comparaisons entre groupes de patients. On identifie des tendances, des risques, des réponses thérapeutiques ou des caractéristiques biologiques à l’échelle de cohortes parfois très importantes. Cette approche a permis des progrès considérables, mais elle rencontre une limite évidente : le patient qui se présente devant un médecin n’est pas une moyenne statistique.

L’ambition d’une médecine réellement personnalisée est donc de réduire la distance entre ce que l’on sait d’une population et ce que l’on peut mesurer chez un individu donné. Les biomarqueurs quantitatifs deviennent donc particulièrement intéressants.

ImagiSight™ vise par exemple à caractériser certains éléments de la santé vasculaire d’un patient, puis à permettre leur suivi dans le temps. Si ces mesures sont suffisamment reproductibles et validées, il devient possible de ne plus seulement comparer un patient à un groupe, mais également de le comparer à lui-même. Le but est de comprendre comment la biologie du patient lui-même évolue. C'est un peu différent que de savoir s'il s'écarte de la norme !

Cette dimension longitudinale pourrait devenir déterminante dans des pathologies qui progressent lentement et dont les symptômes apparaissent tardivement. Dans la maladie d’Alzheimer, par exemple, des travaux de recherche suggèrent que certaines modifications microvasculaires cérébrales pourraient précéder les symptômes cognitifs. Imaginostics étudie la possibilité de rendre certains de ces changements mesurables à l’échelle individuelle, ce qui a contribué au soutien de ses travaux par l’Alzheimer’s Drug Discovery Foundation et le National Institute on Aging aux États-Unis.

Il faut néanmoins distinguer clairement le potentiel de recherche de la capacité clinique déjà démontrée. Une IRM ne permet pas aujourd’hui de prédire la maladie d’Alzheimer bien avant ses symptômes. Mais on voit donc se développer des outils susceptibles de mieux mesurer des évolutions biologiques que les techniques conventionnelles ne permettent pas encore d’observer aussi finement au niveau individuel. La promesse technologique doit devenir une capacité clinique démontrée.

Des biomarqueurs qui pourraient aussi transformer la recherche pharmaceutique

La capacité à mieux mesurer la biologie ne concerne pas uniquement le diagnostic. Elle peut également modifier la manière dont on développe et évalue les traitements. La recherche pharmaceutique doit en permanence répondre à une question difficile : le traitement administré agit-il réellement sur le mécanisme biologique que l’on cherche à modifier ?

Dans certaines maladies, notamment lorsque leur évolution est lente, les résultats cliniques peuvent demander des années avant de devenir visibles. Disposer de biomarqueurs quantitatifs et reproductibles peut alors fournir des informations intermédiaires utiles pour caractériser l’évolution de la maladie, sélectionner certains patients ou mesurer les effets d’un traitement au cours d’un essai clinique. C’est l’un des champs d’application visés par Imaginostics avec ses biomarqueurs vasculaires.

Le cas est intéressant sur le plan économique autant que scientifique. Une même technologie de mesure peut potentiellement servir plusieurs chaînes de valeur : aider les cliniciens à mieux comprendre l’état d’un patient, mais aussi permettre aux laboratoires pharmaceutiques de disposer de nouvelles informations dans leurs programmes de recherche.

Cela rappelle une règle qui je pense est encore trop souvent oubliée dans le débat sur l’IA, comme je le rappelle souvent dans ces chroniques : la valeur ne se situe pas toujours dans le modèle lui-même. Elle peut résider plutôt dans la capacité à produire une information unique, difficile à reproduire et suffisamment robuste pour être utilisée par plusieurs acteurs.

Quand l’avantage compétitif remonte vers la donnée

D'ailleurs, cette question devient de plus en plus stratégique à mesure que les modèles d’IA deviennent eux-mêmes plus accessibles. Les performances progressent rapidement, les modèles ouverts se développent et les écarts technologiques entre algorithmes peuvent parfois se réduire en quelques mois. Dans ce contexte, la possession du « meilleur modèle » ne constitue pas nécessairement un avantage défendable dans la durée.

Dans la santé en particulier, la différenciation pourrait donc se déplacer vers l’amont : vers la qualité des données, les méthodes de mesure, les preuves cliniques et l’intégration dans les parcours de soins.

Un algorithme appliqué à un type d’image largement disponible peut être amélioré ou concurrencé. Une technologie capable de générer un nouveau signal biologique, associée à des données propriétaires, des validations cliniques et une intégration dans les pratiques médicales, est potentiellement beaucoup plus difficile à reproduire. Qui dispose de l’information biologique la plus pertinente pour que l’IA puisse réellement créer de la valeur ? C'est là que sera l'avantage compétitif.

Cette logique dépasse largement l’imagerie médicale. Elle concerne aussi la pathologie numérique, la génomique, les capteurs portables, le suivi à distance ou encore la robotique médicale. Dans tous ces domaines, la performance du modèle reste importante. Mais la qualité de ce que l’on mesure en amont détermine une partie de ce que l’IA pourra réellement comprendre en aval.

De l’innovation scientifique à l’usage clinique

Rendre une information mesurable ne suffit évidemment pas à la rendre utile. En santé, une innovation doit franchir plusieurs étapes avant de transformer effectivement la pratique : validation scientifique, preuves cliniques, réglementation, intégration dans les équipements et les processus existants, adoption par les professionnels de santé et démonstration d’une valeur économique. C’est sans doute l’une des raisons pour lesquelles les innovations médicales mettent souvent beaucoup plus de temps à atteindre le marché que les technologies numériques classiques.

Imaginostics dispose d’un avantage potentiel : ses plateformes ont été conçues pour fonctionner avec les scanners IRM déjà installés, plutôt que d’imposer le remplacement de l’infrastructure existante. Mais elle va devoir aussi prendre en compte les autres éléments de l'équation : réglementation, modèle économique, preuve clinique... Si l’un de ces éléments manque, l'innovation prometteuse restera cantonnée au laboratoire.

C’est également dans cette logique que l’entreprise développe des liens entre les États-Unis et l’Europe, notamment avec des acteurs comme Siemens Healthineers, l’AP-HP, Paris Saclay Cancer Cluster ou Future4Care. Il s’agit de connecter recherche, hôpitaux, industriels, financeurs et marchés suffisamment tôt pour accélérer le passage de la technologie vers des usages réels. Et pour Valérie Gharagouzloo, l’intérêt de ce venir sur eMerge America réside notamment dans l’accès à des responsables de l’innovation et de l’investissement de grands établissements de santé tels que Tampa General Hospital, Cleveland Clinic ou Orlando Health.

De mon côté, cette présentation m'a permis de mieux voir à quel point donner à la médecine les moyens d’observer plus tôt les transformations biologiques d’un individu, de les suivre dans le temps et d’intervenir avec davantage de connaissance lorsqu’il est encore possible de modifier leur trajectoire, pourra peut-être changer la médecine demain. Mais jusqu’où pouvons-nous améliorer ce que nous sommes capables de mesurer chez un patient ? Avant de devenir véritablement prédictive, personnalisée et préventive, la médecine devra d’abord rendre la biologie individuelle plus mesurable.