Introduction : Le contrôle qualité (CQ) des radiopharmaceutiques au technétium-99m (Tc-99m) s’appuie sur l’analyse de chromatogrammes sur couche mince (CCM). Cette étape est sujette à une variabilité inter-opérateur susceptible d’altérer la fiabilité des résultats. L’acquisition de ces compétences par le personnel de radiopharmacie représente par ailleurs un enjeu critique. Ce travail vise à développer des outils permettant de standardiser l’interprétation du CQ et de renforcer les dispositifs de formation.

Matériel & méthode : Deux modèles d’apprentissage automatique ont été développés à l’aide de Google Teachable Machine, outil web de création de modèles basés sur des images de CCM. Ces modèles couvrent les principaux radiopharmaceutiques au Tc-99m selon la localisation des impuretés (Rf = 1 et Rf = 0). Les bases d’images incluaient des CCM conformes (0–5 % d’impuretés), non conformes, de résolution insuffisante ou présentant des erreurs méthodologiques ou techniques. Une interface dédiée permet l’import des images et leur classification automatisée. Les performances du modèle (précision globale, matrice de confusion) ont été évaluées. En parallèle, un outil d’aide décisionnelle a été développé sous forme de plateforme numérique en ligne, destinée à guider l’analyse des non-conformités du CQ à partir de retours d’expérience et de données bibliographiques. L’ensemble des non-conformités archivées dans le service a été analysé à l’aide de cet outil.

Résultats & discussion : Le modèle de classification par Google Teachable Machine a atteint une précision globale satisfaisante pour les catégories conformes et non conformes, à l’exception des erreurs techniques, sous-représentées dans la base d’images. L’enrichissement de la base d’images pour cette catégorie constitue un axe d’amélioration prioritaire afin d’optimiser la valeur prédictive du modèle. Un recadrage standardisé des images en amont de l’importation est également à prévoir dans le protocole opératoire afin de limiter les erreurs de classification liées à des dimensions inadéquates. L’outil décisionnel a permis d’analyser l’ensemble des non-conformités archivées dans le service et d’en identifier rapidement les causes, démontrant son utilité pratique pour la gestion quotidienne du contrôle qualité.

Conclusion : L’intégration d’outils d’intelligence artificielle en radiopharmacie constitue une approche pertinente pour standardiser l’interprétation des CCM et optimiser la gestion des non-conformités. Complémentaires de l’expertise humaine, ces outils ouvrent des perspectives prometteuses en matière de sécurisation des pratiques et de formation continue.

Mots-clefs : Radiopharmaceutique, Contrôles qualités, Contrôles analytiques