Si vous avez déjà passé un TEP, vous savez que c'est une épreuve. Les analyses aident les médecins à détecter le cancer et à suivre sa propagation, mais le processus lui-même est un cauchemar logistique pour les patients.
Cela commence par un jeûne de quatre à six heures avant d'arriver à l'hôpital – et bonne chance à vous si vous vivez en zone rurale et que votre hôpital local ne dispose pas de scanner TEP. Lorsque vous arrivez à l'hôpital, on vous injecte une matière radioactive, après quoi vous devez attendre une heure pendant qu'elle traverse votre corps. Ensuite, vous entrez dans le scanner TEP et devez essayer de rester immobile pendant 30 minutes pendant que les radiologues acquièrent l'image. Après cela, vous devez rester physiquement éloigné des personnes âgées, des jeunes et des femmes enceintes pendant 12 heures maximum, car vous êtes littéralement semi-radioactif.
Un autre goulot d'étranglement ? Les scanners TEP sont concentrés dans les grandes villes car leurs traceurs radioactifs doivent être produits dans des cyclotrons à proximité – des machines nucléaires compactes – et utilisés en quelques heures, ce qui limite l’accès aux hôpitaux ruraux et régionaux.
Mais et si vous pouviez utiliser l’IA pour convertir les tomodensitogrammes, qui sont beaucoup plus accessibles et abordables, en TEP ? C'est le discours de RADiCAIT, une entreprise dérivée d'Oxford qui est sortie furtivement ce mois-ci avec 1,7 million de dollars de financement de pré-amorçage. La startup basée à Boston, finaliste du Top 20 du Startup Battlefield à TechCrunch Disrupt 2025, vient d'ouvrir une levée de fonds de 5 millions de dollars pour faire avancer ses essais cliniques.
« Ce que nous faisons réellement, c'est que nous avons pris la solution d'imagerie médicale la plus contrainte, la plus complexe et la plus coûteuse en radiologie, et nous l'avons supplantée par la solution la plus accessible, la plus simple et la plus abordable, à savoir la tomodensitométrie », a déclaré Sean Walsh, PDG de RADiCAIT, à TechCrunch.
La sauce secrète de RADiCAIT est son modèle fondateur : un réseau neuronal profond génératif inventé en 2021 à l'Université d'Oxford par une équipe dirigée par le co-fondateur et directeur de l'information médicale de la startup, Regent Lee.
Le modèle apprend en comparant les tomodensitogrammes et les TEP, en les cartographiant et en identifiant des modèles dans leurs relations les uns avec les autres. Sina Shahandeh, technologue en chef de RADiCAIT, le décrit comme reliant des « phénomènes physiques distincts » en traduisant la structure anatomique en fonction physiologique. Ensuite, le modèle doit accorder une attention particulière aux caractéristiques ou aspects spécifiques des analyses, comme certains types de tissus ou anomalies. Cet apprentissage ciblé est répété plusieurs fois avec de nombreux exemples différents, afin que le modèle puisse identifier les modèles cliniquement importants.
L’image finale qui est soumise aux médecins pour examen est créée en combinant plusieurs modèles travaillant ensemble. Shahandeh compare l'approche à AlphaFold de Google DeepMind, l'IA qui a révolutionné la prédiction de la structure des protéines : les deux systèmes apprennent à traduire un type d'information biologique en un autre.
Walsh affirme que l'équipe de RADiCAIT peut prouver mathématiquement que leurs images TEP synthétiques ou générées sont statistiquement similaires aux véritables analyses TEP chimiques.
« C'est ce que montrent nos essais », a-t-il déclaré, « que la même qualité de décision a été prise lorsque le médecin, le radiologue ou l'oncologue reçoit une TEP chimique ou une [our AI-generated PET].»
RADiCAIT ne promet pas de remplacer le besoin de TEP dans des contextes thérapeutiques spécifiques, comme la thérapie par radioligand, qui tue les cellules cancéreuses. Mais à des fins de diagnostic, de stadification et de surveillance, la technologie de RADiCAIT pourrait rendre les TEP obsolètes.
« Parce qu'il s'agit d'un système très contraint, l'offre n'est pas suffisante pour répondre à la demande de diagnostics et de théragnostiques », a déclaré Walsh, faisant référence à une approche médicale qui combine l'imagerie diagnostique (c'est-à-dire la TEP) avec une thérapie ciblée pour traiter les maladies (c'est-à-dire le cancer). « Ce que nous cherchons donc à faire, c'est d'absorber cette demande du côté du diagnostic. Les scanners TEP eux-mêmes devraient prendre le relais du côté théragnostique. »
RADiCAIT a déjà lancé des projets pilotes cliniques spécifiquement pour le dépistage du cancer du poumon avec des systèmes de santé majeurs comme Mass General Brigham et UCSF Health. La startup poursuit actuellement un essai clinique auprès de la FDA – un processus plus coûteux et plus complexe qui est à l'origine du cycle de démarrage de 5 millions de dollars de RADiCAIT. Une fois cela approuvé, la prochaine étape consistera à réaliser des projets pilotes commerciaux et à démontrer la viabilité commerciale du produit. RADiCAIT souhaite également exécuter le même processus – pilotes cliniques, essais cliniques, pilotes commerciaux – pour les cas d'utilisation du colorectal et du lymphome.
Shahandeh a déclaré que l'approche de RADiCAIT consistant à utiliser l'IA pour produire des informations valides sans le fardeau de tests difficiles et coûteux est « largement applicable ».
« Nous explorons des extensions en radiologie », a ajouté Shahandeh. « Attendez-vous à voir des innovations similaires reliant des domaines allant de la science des matériaux à la biologie, à la chimie et à la physique partout où les relations cachées de la nature peuvent être apprises. »
Si vous souhaitez en savoir plus sur RADiCAIT rejoignez-nous à Disrupt, du 27 au 29 octobre à San Francisco. Apprenez-en davantage ici.
