L'oncologue radiothérapeute regarde l'image de l'abdomen et trace mentalement la zone à irradier. Cette zone n'est pas visible comme un organe distinct : ses limites sont définies par le protocole, et non par les tissus. Le médecin a donc besoin d'une carte des environs pour ne pas toucher aux structures saines.

Le modèle nnU-Net commence avec la même tâche. Il apprend d'abord sur dix cas annotés, mais cela ne suffit pas : les patients sont différents, les scans proviennent de centres variés. On lui donne alors une carte des repères anatomiques issue de TotalSegmentator, un peu comme un plan de rue où tous les bâtiments voisins sont indiqués. Le modèle voit où se trouvent l'estomac, le duodénum, et trace plus précisément la frontière.

L'apprentissage actif fonctionne autrement : le modèle repère lui-même les cas pour lesquels il n'est pas sûr et demande à ce qu'on les montre au médecin. C'est comme un étudiant qui, à l'examen, admet ne pas connaître la réponse et reçoit une explication sur ces questions précises. Après quatre cycles de cet entraînement supplémentaire, la précision est passée de 0,84 à 0,87 selon le coefficient de Dice, une mesure de la concordance entre deux contours.

Lorsque le modèle reçoit à la fois la carte et l'entraînement supplémentaire, son résultat est presque identique à ce que différents médecins auraient tracé : la variabilité inter-experts est de 0,89, tandis que celle du modèle est de 0,87. Cela signifie que le modèle peut servir de référence préliminaire dans les essais cliniques. Le médecin ne vérifie que les cas où le contour du modèle est douteux, ce qui lui fait gagner des heures de contrôle manuel.

La carte des environs et la capacité à reconnaître ses erreurs sont deux outils simples qui rendent le guide précis. Il est maintenant prêt à parcourir les rues inconnues de l'abdomen.