La tomodensitométrie, c'est comme une radiographie qui prend des centaines de clichés sous différents angles et en assemble une image en trois dimensions du corps. Mais chaque cliché expose à une petite dose de radiation, et les médecins doivent savoir quelle dose chaque organe reçoit. Actuellement, cette dose est souvent estimée de manière approximative, à partir de tables moyennes, plutôt qu'en fonction du patient spécifique.

Les chercheurs ont appris à un réseau de neurones à prédire la dose pour chaque organe. Pour l'apprentissage, il faut des exemples, mais les données réelles sont rares : on ne va pas irradier une personne pour une expérience. Ils ont donc créé des milliers de corps virtuels — des fantômes numériques avec différentes tailles d'organes et formes de corps. Le modèle entraîné uniquement sur ces données synthétiques commettait des erreurs sur les petits organes comme le cristallin ou la thyroïde.

Cette approche hybride, c'est comme l'entraînement d'un pilote : d'abord des centaines d'heures sur simulateur, puis quelques vols avec un instructeur. Les corps virtuels apportent de la diversité, et les données réelles ancrent le modèle dans la réalité. Cela réduit le besoin de dossiers médicaux réels et contribue à rendre la dosimétrie personnalisée.