Les surrénales, baromètre biologique du stress
Le stress chronique est un facteur de risque majeur, mais ses marqueurs biologiques restent difficiles à saisir : les questionnaires sont subjectifs et les mesures de cortisol ne reflètent qu’un instantané. L’IA offre aujourd’hui un levier inédit pour identifier, dans des images médicales déjà disponibles, des signatures morphologiques imperceptibles aux cliniciens. Cette approche d’imagerie opportuniste augmentée par l’IA consiste à réinterpréter des scanners standards afin d’en extraire de nouveaux phénotypes biologiques. L’étude s’inscrit dans cette dynamique en dévoilant un biomarqueur du stress invisible à l’œil humain, mais que l’IA parvient à mesurer automatiquement.
Les chercheurs ont analysé les données de 2 842 participants de la cohorte MESA, dont les scanners thoraciques ont été réévalués grâce à un modèle d’apprentissage profond capable de détecter, segmenter et mesurer précisément les glandes surrénales. Cette automatisation est déterminante, car ces structures de petite taille sont rarement quantifiées en clinique.
Un volume surrénalien calculé par IA
Pour chaque participant, l’algorithme a calculé un volume surrénalien normalisé sous forme d’Adrenal Volume Index (AVI), rapporté à la taille. Cet indicateur a ensuite été comparé à plusieurs mesures indépendantes du stress chronique : questionnaires validés, cortisol salivaire répété et score de charge allostatique, un indicateur global du stress chronique, construit à partir de plusieurs mesures biologiques (pression artérielle, glycémie, inflammation, etc.). Enfin, l’équipe a étudié les liens entre l’AVI et différents paramètres cardiovasculaires, notamment le remodelage du ventricule gauche, l’incidence d’insuffisance cardiaque et la mortalité.
Résultats : une quantification objective du stress chronique
- Les participants présentant un stress perçu élevé avaient un AVI significativement supérieur.
- L’AVI était corrélé au cortisol salivaire, aux scores de stress et à la charge allostatique (corrélations significatives).
- Chaque augmentation de 1 cm³/m² de l’AVI était associée à un risque accru d’insuffisance cardiaque au suivi.
- L’AVI constituait un prédicteur indépendant de mortalité toutes causes confondues.
- Un AVI plus élevé était associé à un index de masse ventriculaire gauche plus important, signe d’un remodelage cardiaque.
En révélant un biomarqueur invisible à la lecture humaine standard, cette approche illustre le potentiel de l’IA pour enrichir la valeur clinique des images déjà disponibles, sans examen supplémentaire. Ce biomarqueur piloté par l’IA aurait le potentiel d’améliorer la stratification du risque cardiovasculaire et d’orienter les soins préventifs — sans tests supplémentaires ni radiation. À terme, l’AVI pourrait donc être intégré automatiquement dans les workflows d’imagerie pour repérer les individus exposés à un stress chronique délétère, avec un coût marginal minimal.
Une utilisation en clinique prématurée
La Dr Elena Ghotbi, première auteure de l’étude et chercheuse postdoctorale en radiologie à Johns Hopkins, insiste sur le fait que leur « modèle d’IA montre que des données d’imagerie largement disponibles peuvent révéler des informations biologiques essentielles, auparavant impossibles à mesurer en routine. » Le Pr Shadpour Demehri, professeur de radiologie et directeur des recherches en imagerie à Johns Hopkins, souligne lui l’enjeu clinique : « Pour la première fois, nous pouvons visualiser le fardeau à long terme du stress dans le corps à partir d’examens que les patients obtiennent déjà quotidiennement. L’IA change ici radicalement ce que la radiologie peut voir. »
Des validations prospectives, des réplications sur d’autres systèmes d’IA et une harmonisation des protocoles d’analyse des images seront cependant nécessaires avant un déploiement clinique. Mais l’étude montre déjà comment l’IA peut transformer un scanner thoracique courant en outil de phénotypage biologique avancé.
* Quantifying chronic stress and cardiovascular risk via adrenal volume on chest ct: an opportunistic deep learning approach in the mesa
Roham Hadidchi, Seyedhouman Seyedekrami, Quincy A. Hathaway, M.D., Ph.D., Michael Bancks, Nikhil Subhas, Matthew J. Budoff, M.D., David A. Bluemke, M.D., Ph.D., R. Graham Barr and Joao A.C. Lima, M.D.
https://www.rsna.org/-/media/files/press/2025/2625/ghotbi-abstract.pdf?rev=d112b4f3efe24ec4adcf51ccdcad4d0b&hash=4D418FAAFEE98CF9E9E15A766691271D