Cancer de la thyroïde et iode radioactif : le modèle d'abord, n'apprendre que ce qui manque

Combien de séances d'iode radioactif, à quel intervalle, avec quelle activité ? Un modèle intelligible de trois équations explore ces questions avant de traiter un patient. L'apprentissage ne sera ajouté que là où le modèle ne suffit pas.

Marie Fusella Giuntini et Dominique Barbolosi, avec Cyril Voyant et David Taieb

En bref

Le constat

Le modèle et son simulateur, RAIR-Sim, sont le travail de Marie Fusella Giuntini et Dominique Barbolosi, avec Cyril Voyant et David Taieb (Scientific Reports, 2026). Quand une maladie peut être décrite par un modèle intelligible, ce modèle passe en premier : il explique, il se calibre sur de vrais patients, et il permet de tester des protocoles in silico. L'intelligence artificielle n'est pas nécessaire pour faire ce que le modèle fait déjà bien.

La question

Le cancer différencié de la thyroïde métastatique est souvent traité par des séances répétées d'iode radioactif. Certaines tumeurs répondent, d'autres deviennent réfractaires. La thyroglobuline (Tg), dosée dans le sang, suit la masse tumorale. Quel protocole, et pour quel profil de patient ?

La théorie, en clair

Trois grandeurs évoluent au fil des mois :

Les équations sont résolues séance par séance : un protocole entier se simule en quelques secondes. Un temps de doublement court signifie une tumeur qui croît vite ; c'est ce qui distingue un profil réfractaire d'un profil répondeur.

Où l'on se situe sur l'échelle de la complexité

Échelle de la complexité : le modèle thyroïde s'arrête à la deuxième marche, la simulation à partir de ce que l'on sait
Échelle de la complexité : le modèle thyroïde s'arrête à la deuxième marche, la simulation à partir de ce que l'on sait

Deuxième marche : la simulation à partir d'un modèle que l'on comprend. L'étape suivante est un jumeau numérique hybride : garder le modèle, et laisser une méthode d'apprentissage (une machine à apprentissage extrême frugale, par exemple) estimer seulement ce que le modèle ne capture pas. C'est un apprentissage guidé par les mathématiques et la médecine, pas une boîte noire à la place du modèle. Pas d'apprentissage ajouté quand le modèle répond au besoin ; de l'apprentissage, en hybride, là où il aide.

L'exemple en chiffres

Thyroglobuline sur 80 mois pour 1, 2, 4 et 8 séances, profils réfractaire et répondeur
Thyroglobuline sur 80 mois pour 1, 2, 4 et 8 séances, profils réfractaire et répondeur

Avec les paramètres des démonstrateurs publics, 3,7 GBq par séance tous les 3 mois :

Ce sont des sorties du modèle pour deux archétypes, pas des prédictions pour un patient.

Ce que cela apporte, et les limites

Pour aller plus loin