Nous démontrons que les modèles d’intelligence artificielle peuvent segmenter avec précision les tumeurs hépatiques sans nécessiter d’annotation manuelle, en utilisant des tumeurs synthétiques dans des scans TDM. Nos tumeurs synthétiques présentent deux avantages remarquables : (I) elles sont réaliste en forme et en texture, au point de tromper même des professionnels de santé ; (II) elles s’avèrent efficaces pour l’entraînement des modèles d’IA, permettant à ces derniers de réaliser une segmentation des tumeurs hépatiques aussi performante que celle obtenue avec un modèle entraîné sur des tumeurs réelles — un résultat passionnant, car aucune étude antérieure utilisant uniquement des tumeurs synthétiques n’avait jusqu’à présent atteint une performance comparable, voire proche, à celle obtenue avec des données réelles. Ce résultat implique également qu’à l’avenir, les efforts manuels d’annotation voxel par voxel (qui ont pris des années à réaliser) pourraient être considérablement réduits. En outre, nos tumeurs synthétiques permettent de générer automatiquement de nombreux exemples de tumeurs petites (voire minuscules), offrant un potentiel significatif d’amélioration du taux de détection des petites tumeurs hépatiques, essentiel pour repérer les stades précoces du cancer. En plus de richement enrichir les données d’entraînement, notre stratégie de synthèse permet également une évaluation rigoureuse de la robustesse de l’IA.