L’IA en onco-dermatologie

Elle promet de détecter un mélanome en quelques secondes, d’établir un pronostic en un clic et de ne plus passer à côté d’aucune lésion, mais la réalité est plus nuancée. Voici ce dont l’intelligence artificielle (IA) est capable aujourd’hui, ses limites et les raisons pour lesquelles les dermatologues restent indispensables.

Ce que l’IA fait bien: détecter des lésions

La grande force de l’IA réside dans la détection des lésions à partir d’une grande quantité d’images. Là où l’œil humain se fatigue, l’algorithme reste constant. En onco-dermatologie, cela aide au dépistage, au triage et au suivi de l’évolution.

Les progrès sont les plus importants dans la détection précoce du mélanome. Les systèmes «Total body photography» (TBP) tels que VECTRA ou FotoFinder combinent la comparaison automatisée des images avec l’analyse du risque assistée par IA. Ils permettent un suivi objectif de l’évolution au fil du temps chez les patient·es à haut risque. Des systèmes plus récents (pas encore autorisés en Suisse) vont plus loin, comme Deviskan (Fig.1): ils ne se contentent pas d’enregistrer des images du corps entier, mais réalisent automatiquement des gros plans standardisés des lésions pertinentes. Dans une étude pilote portant sur 316 patient·es, plus de 10000 images de dermatoscopie ont été enregistrées avec un temps d’acquisition comparable et une qualité presque impossible à distinguer de celle de la dermatoscopie manuelle.¹

© A. Romswinkel

Fig. 1: Deviskan de l’entreprise Dermavision Solutions à l’Hôpital universitaire de Bâle

En dermatopathologie, un algorithme développé à Utrecht a permis le triage des lésions mélanocytaires à partir de «whole-slide images» en fonction de leur complexité: les cas simples étaient orientés vers les médecins de premiers recours et les cas complexes directement vers les spécialistes. Pour 500 cas, des dizaines de consultations d’expert·es ont ainsi pu être évitées et la «ressource» rare que sont les dermatopathologistes a pu être économisée.² Il reste à voir si cela fonctionne de manière prospective.

Le cancer de la peau non-mélanome (NMSC), qui est de loin le cancer de la peau le plus fréquent, mais a longtemps été négligé dans la recherche sur l’IA, connaît également une évolution. Une étude multicentrique récente portant sur le diagnostic du carcinome basocellulaire assisté par IA par «line-field confocal optical coherence tomography» (LC-OCT) a révélé que la combinaison de l’IA et de la LC-OCT a permis d’augmenter la précision diagnostique jusqu’à 93% et la sensibilité de 84 jusqu’à 95%.³ Les auteurs estiment que l’IA peut compenser environ deux ans d’expérience clinique en LC-OCT.

En effet, une étude menée à Heidelberg a comparé des algorithmes CNN avec les résultats de dermatologues pour la classification des images de dermatoscopie entre lésion mélanocytaire et non-mélanocytaire, soit une décision dichotomique. Résultat: seuls les dermatologues expérimentés ayant accès au contexte clinique atteignaient la performance des algorithmes.⁴ L’IA est capable de beaucoup, mais le contexte reste déterminant.

Ce que l’IA arrive à faire de plus en plus: établir un pronostic

Le passage du diagnostic au pronostic constitue une étape importante dans cette évolution. Les systèmes de classification par stades conventionnels, comme celui de l’American Joint Committee on Cancer (AJCC), ont fait leurs preuves, mais sont approximatifs: un·e patient·e atteint·e de mélanome pT2a présente statistiquement un certain pronostic, mais son évolution individuelle peut être totalement différente.

De nouvelles approches existent. Les «Foundation models», comme MUSK, sont entraînés sur la base de millions d’images pathologiques et de textes cliniques, et détectent des lésions qui restent invisibles pour l’œil humain. Le modèle mis au point à Stanford prédit non seulement la survie, mais aussi la réponse à l’immunothérapie, avec 77% d’identification correcte des répondeurs à l’immunothérapie par rapport à 61% avec la détermination conventionnelle du statut PD-L1.⁵

Les images de dermatoscopie permettent elles aussi d’extraire de plus en plus des informations pronostiques. Les premiers algorithmes peuvent estimer l’indice de Breslow, prédire l’ulcération et classer le risque de métastases à partir de la texture, de la répartition des pigments ainsi que de la morphologie vasculaire, potentiellement avant même la biopsie.⁶

Ces approches ne sont pas encore prêtes à être utilisées dans la pratique, mais elles laissent entrevoir la direction dans laquelle on se dirige: de «qu’est-ce que c’est?» à «comment cela va-t-il évoluer?».

Ce que l’IA ne peut pas (encore) faire: données, contexte et explicabilité

On constate les limites de l’IA lorsque les données d’entraînement font défaut ou lorsque le contexte est déterminant.

Les tumeurs rares constituent un problème évident. Dans le cas du carcinome à cellules de Merkel, du dermatofibrosarcome protubérant ainsi que des lymphomes cutanés, le nombre de cas est faible et les jeux de données d’entraînement sont donc limités. Un algorithme entraîné sur la base de centaines de milliers d’images de mélanome échoue face à une entité qu’il n’a pratiquement jamais vue. L’apprentissage automatique nécessite une quantité d’informations considérable, et c’est précisément ce qui manque dans le cas des maladies rares.

Le problème est plus complexe en ce qui concerne le contexte. La compréhension d’une lésion n’est pas la même sur l’écran et en prenant en compte les patient·es dans leur ensemble, c’est-à-dire l’anamnèse, les autres nævus, l’échange sur les modifications. L’IA voit les pixels, tandis que les dermatologues voient les patient·es.

Enfin, il convient de mentionner le problème de la boîte noire: les réseaux neuronaux profonds fournissent des résultats, mais aucune explication.⁷ Pourquoi l’algorithme classe-t-il cette lésion comme suspecte? À quelles caractéristiques réagit-il? Tant que nous ne sommes pas capables de le comprendre, nous ne savons pas non plus quand nous pouvons lui faire confiance et quand nous ne devons pas le faire.

L’«explainable AI» (xAI) tente de combler cette lacune grâce à des algorithmes qui montrent quelles caractéristiques de l’image ont contribué à la décision. Les premières études révèlent que cela augmente non seulement la confiance, mais aussi la précision diagnostique.⁸

Ce que l’IA ne pourra (peut-être) jamais faire: assumer des responsabilités

Ce n’est pas sur le plan technique, mais sur le principe, que se situe la limite décisive.

L’IA peut apporter une aide, hiérarchiser les priorités, avertir, mais elle ne peut pas assumer des responsabilités. Si un algorithme passe à côté d’un mélanome, ce n’est pas le modèle qui est responsable.

Cela semble évident, mais cela se complique dans la pratique. Les patient·es demandent déjà: «Pourquoi voulez-vous quand même réaliser une biopsie? L’application dit que la lésion est bénigne». Ou inversement: «Pourquoi voulez-vous attendre? L’ordinateur dit que la lésion est suspecte». La communication des résultats générés par l’IA représente une nouvelle tâche médicale à laquelle nous ne sommes pas suffisamment préparés.

La situation juridique en 2026 est claire: la responsabilité incombe aux médecins,⁹ qui décident de suivre ou non l’algorithme. Ils classent le résultat, l’expliquent aux patient·es et doivent en assumer les conséquences. L’IA est certes puissante, mais elle n’en reste pas moins un outil. Les personnes qui l’utilisent doivent le comprendre. Celles qui ne le comprennent pas devraient faire preuve de prudence.

Obstacles pratiques

Même lorsque l’IA fonctionne sur le plan technique, sa mise en œuvre reste difficile. Trois exemples:

La plupart des données d’entraînement proviennent de patient·es à la peau claire. Les phototypes IV–VI selon la classification de Fitzpatrick sont massivement sous-représentés, ce qui entraîne de moins bonnes performances des algorithmes concernant les peaux foncées.¹⁰ Pourtant, le bénéfice serait justement considérable dans ce cas: on compte en effet moins d’un dermatologue pour un million de personnes en Afrique subsaharienne.¹¹ Le triage assisté par IA pourrait faire une réelle différence aux endroits où les spécialistes font défaut. Or, c’est précisément cette population qui est peu représentée dans les données d’entraînement. Des initiatives comme le projet PASSION à Bâle, qui collecte systématiquement des images provenant d’Afrique subsaharienne, s’attaquent à ce problème de biais, mais elles n’en sont encore qu’à leurs débuts.

La généralisation constitue un autre problème. Un algorithme qui atteint une précision de 95% sur des ensembles de données de Stanford sélectionnés ne donne pas automatiquement le même résultat ailleurs. Un autre appareil photo, une autre exposition, une autre population de patient·es peuvent faire baisser les performances. Nous connaissons tous la question «Pouvez-vous jeter un coup d’œil?» en parlant d’images floues prises avec un smartphone, qui constituent un défi pour les algorithmes entraînés comme pour nous. La plupart des études portant sur l’IA sont rétrospectives et réalisées dans des conditions idéales. Les validations envie réelle prospectives restent l’exception.

À cela s’ajoute la réglementation. Chaque mise à jour logicielle nécessite une nouvelle validation, sous forme de marquage CE, d’autorisation de la FDA, d’autorisation de Swissmedic. Le temps qu’un algorithme soit autorisé, il est souvent déjà obsolète. Le développement avance à grands pas, l’autorisation est à la traîne. Cela ne freine pas seulement l’innovation, mais inquiète également les utilisateur·rices: Qu’est-ce que je peux utiliser? Qu’est-ce que je ne devrais pas utiliser?

Conclusion

L’IA ne remplace pas les dermatologues, mais elle peut les aider à mieux faire leur travail en étant plus rapides dans le triage, plus précis·es dans le pronostic, plus attentif·ves aux modifications au fil du temps (Fig.2).

© A. Romswinkel, M. Hofbauer; KI-generiert

Fig. 2: L’intelligence artificielle comme aide dans le diagnostic dermatologique

Les limites sont réelles (tumeurs rares, manque d’explicabilité, problème de biais), mais elles ne sont pas fixes. Apprendre à utiliser ces systèmes de manière critique aujourd’hui, c’est pouvoir en tirer profit demain. Ce n’est pas l’IA qui révolutionne la dermatologie, mais les dermatologues qui savent utiliser l’IA.