Après neuf semaines de compétition et plus de 10 600 modèles soumis, trois équipes ont été récompensées pour leurs approches basées sur l’intelligence artificielle.
Une compétition internationale dédiée à la médecine prédictive
L’IHU ICAN a dévoilé les résultats du Data Challenge ANNITIA, une compétition internationale qui vise à développer de nouveaux modèles prédictifs capables d’anticiper l’évolution de la stéatose hépatique métabolique (MASLD), une pathologie chronique du foie qui touche environ 30 % de la population adulte mondiale.
Soutenue par le plan France 2030 et la Plateforme des données de santé, l’initiative a mobilisé plus de 125 équipes de chercheurs, data scientists et spécialistes de l’IA. En neuf semaines, les participants ont soumis plus de 10 600 modèles dans le cadre d’un défi centré sur la prédiction du risque de progression de la maladie et de la survenue d’événements hépatiques.
Pour concevoir leurs algorithmes, les participants ont eu accès à une base de données anonymisées regroupant des informations cliniques, biologiques et les résultats de plusieurs tests non invasifs utilisés dans l’évaluation de la fibrose hépatique, notamment FibroScan, FibroTest et Aixplorer.
L’enjeu consistait à exploiter ces données longitudinales afin de modéliser simultanément l’évolution de différents biomarqueurs et prédire la survenue d’événements liés à la progression de la MASLD.
Trois approches distinguées
Première place pour une stratégie à double trajectoire
Le premier prix a été attribué à Andrija Štajduhar, basé en Croatie. Son approche repose sur deux trajectoires de survie distinctes, orientées selon une règle clinique fondée sur la rigidité hépatique mesurée par FibroScan. Selon le profil du patient, le modèle mobilise soit une combinaison de Random Survival Forest et XGBoost-Cox, soit un ensemble de modèles LightGBM, XGBoost et CatBoost. Les deux trajectoires sont fusionnées lorsque les classements de risque divergent significativement.
Un ensemble de modèles spécialisés en deuxième position
David Foster, au Royaume-Uni, décroche la deuxième place avec une architecture associant six modèles de survie (Coxnet, RSF, GBSA, EST, CGBS et CatBoost AFT) à un réseau neuronal de type GRU. Sa stratégie prévoit également une orientation spécifique des 25 % de patients les plus sévèrement atteints vers un modèle dédié à la progression active de la fibrose. Entre 131 et 284 variables dérivées ont été créées pour alimenter les différents sous-modèles.
L’analyse des trajectoires biologiques récompensée
Le troisième prix revient à Abdourahamane Ide Salifou, du Rwanda. Son approche part du principe que l’évolution des tests non invasifs dans le temps constitue un indicateur plus pertinent qu’une mesure ponctuelle. Le modèle combine quatre algorithmes de survie (GBSA, RSF, CoxNet et XGBoost-Cox) enrichis par des variables calculées à partir des variations observées sur les différents tests de suivi.
Des modèles publiés en open source
Les trois équipes lauréates se partageront une dotation de 14 000 euros. En contrepartie, leurs modèles ont été publiés en open source afin de favoriser leur réutilisation, leur validation indépendante et leur amélioration par la communauté scientifique.
Cette volonté d’ouverture s’étend également aux données du challenge. La base utilisée dans le cadre de la compétition doit prochainement être publiée en open data, pour permettre à d’autres équipes de poursuivre les travaux engagés sur la prédiction de la progression de la MASLD.




