IA et cancer de la peau : quelle fiabilité pour analyser les grains de beauté ?

Ce que les algorithmes savent faire

En 2017, une équipe de Stanford a entraîné un réseau de neurones sur 129 450 images cliniques couvrant plus de 2 000 maladies. Testé sur des images confirmées par biopsie, il a obtenu des performances comparables à celles de 21 dermatologues pour distinguer d’une part les carcinomes des kératoses séborrhéiques bénignes, d’autre part les mélanomes des grains de beauté bénins^[2].

Ce résultat a été très médiatisé. Il concernait pourtant une tâche précise : classer des images déjà sélectionnées et de bonne qualité, pas examiner une personne entière, recueillir ses antécédents ou suivre l’évolution d’une lésion.

Un modèle apprend à partir de données dont les phototypes, les appareils et les diagnostics influencent ses performances. Un jeu de test trop proche de l’entraînement peut surestimer la capacité de généralisation. La qualité de la photo prise par l’utilisateur ajoute une autre source de variation.

Applications pour smartphone : ce que dit l’évaluation indépendante

Une revue systématique publiée dans le BMJ en 2020 a analysé les études évaluant des applications de détection des cancers cutanés. Neuf études portant sur six applications ont été retenues : elles étaient petites et de faible qualité méthodologique, avec un recrutement sélectif, beaucoup d’images inexploitables et des photos souvent prises par des cliniciens plutôt que par les utilisateurs eux-mêmes^[3].

Le risque le plus grave est le faux négatif : une application qui rassure à tort peut retarder le diagnostic d’un mélanome. À l’inverse, les fausses alertes génèrent de l’anxiété et des consultations inutiles.

Il faut distinguer sensibilité, spécificité et utilité clinique. Manquer une lésion importante et provoquer de fausses alertes n’ont pas les mêmes conséquences. Les validations indépendantes, l’équité entre populations et la gestion des données sont essentielles.

Le biais des peaux foncées

La plupart des modèles ont été entraînés sur des images de peaux claires. En 2022, des chercheurs ont constitué une base d’images vérifiées par biopsie représentant toutes les carnations : des modèles d’IA de pointe y perdaient nettement en performance, surtout sur les peaux foncées et les maladies rares, et les dermatologues eux-mêmes se trompaient davantage sur ces images. Réentraîner les modèles avec ces images réduisait l’écart^[4].

L’Organisation mondiale de la santé insiste sur ces enjeux d’équité, de transparence et de gouvernance des données dans ses orientations sur l’intelligence artificielle en santé^[1].

Utiliser une application avec discernement

Une application ne remplace pas l’examen d’une lésion qui change. Vérifier l’usage prévu, le statut réglementaire et la façon dont les images sont conservées. L’IA peut soutenir une prise en charge ; la présenter comme supérieure aux médecins en toute circonstance dépasse les preuves d’une comparaison ciblée.

• Vérifier que l’application est un dispositif médical marqué CE, et lire son usage prévu.
• Savoir où sont stockées les photos et qui peut y accéder.
• Consulter un médecin pour toute lésion nouvelle, qui change de taille, de forme ou de couleur, qui saigne ou démange : la règle ABCDE (asymétrie, bords, couleur, diamètre, évolution) reste un bon repère.

Les objets de santé grand public posent des questions voisines, abordées dans notre dossier sur les montres connectées.