Un nouvel IA apprend la recherche du cancer comme les pathologistes

Une étude récente montre que former l’intelligence artificielle à reproduire la stratégie visuelle des médecins spécialisés en anatomie pathologique — consistant à balayer d’abord l’ensemble d’une lame histologique avant de zoomer sélectivement sur les zones suspectes — améliore significativement sa capacité à identifier des anomalies cancéreuses dans les tissus.

Contrairement aux systèmes classiques, qui découpent mécaniquement une lame en fragments fixes pour analyse, les pathologistes adoptent une approche dynamique : ils commencent par un examen global, ajustent le grossissement en temps réel et naviguent entre régions avant de se concentrer sur les éléments atypiques. Cette flexibilité est cruciale, car une lame peut contenir des milliards de pixels, tandis que les signes précoces de cancer peuvent se limiter à une zone microscopique.

Che-Huang, professeur adjoint en anatomie pathologique et médecine de laboratoire à l’université de Pennsylvanie et coauteur de l’étude, compare ce processus à une recherche aérienne par hélicoptère : « Le médecin ne scrute pas d’emblée un petit secteur au sol, mais survole d’abord la scène dans son ensemble, puis cible précisément les zones d’intérêt. »

L’équipe de Huang a conçu une méthode d’entraînement fondée non pas sur les diagnostics finaux des experts, mais sur leurs gestes réels durant l’examen. Huit spécialistes ont été observés : leurs déplacements sur les lames, leurs changements de grossissement et leurs temps de stationnement ont été enregistrés. Les mouvements aléatoires ont été écartés ; seuls les comportements révélateurs d’une attention soutenue — comme un arrêt prolongé ou une réanalyse répétée d’une même zone — ont été retenus.

Pour valider la pertinence de ces zones, les chercheurs ont croisé les données avec des mesures de suivi oculaire. Ils ont également demandé au modèle d’IA de fournir une brève justification de l’importance de chaque région identifiée, permettant aux pathologistes de valider, modifier ou rejeter chaque explication.

À partir de ces observations, ils ont développé un système baptisé « Pathology-o3 ». Celui-ci commence par un balayage initial à faible résolution, repère les régions nécessitant un examen approfondi, puis transmet des images haute résolution de ces zones à un sous-modèle d’IA pour analyse détaillée.

Le système a été testé sur des lames provenant de ganglions lymphatiques de patients atteints de cancer colorectal. Comparé au modèle « o3 » d’OpenAI, Pathology-o3 a identifié tous les échantillons tumoraux — soit une sensibilité de 100 %. Toutefois, 15,5 % des lames jugées positives étaient en réalité négatives. En revanche, le modèle OpenAI a atteint une sensibilité de 87,5 %, mais avec un taux de faux positifs de 53,3 %.

Sur un jeu de données indépendant, jamais vu auparavant par le système, Pathology-o3 a maintenu une sensibilité de 97,6 %, tandis que 37,1 % des cas classés comme positifs s’avéraient en réalité négatifs.

Les chercheurs estiment que ce taux élevé de faux positifs découle d’un choix délibéré dans la conception du système : privilégier la détection systématique des zones méritant un examen complémentaire afin de minimiser tout risque de manquer un signe tumoral.

Mohammad Asadi, spécialiste des données à l’université Stanford, non impliqué dans l’étude, souligne que ces résultats ouvrent la voie à une utilisation potentielle du système sur des lames issues de sources variées, mais précisent qu’ils ne démontrent pas encore une amélioration mesurable de la rapidité ou de la précision clinique des médecins lorsqu’ils l’utilisent.

L’étude ne visait pas à prouver que Pathology-o3 pouvait surpasser les pathologistes ou poser seul un diagnostic, mais à tester si l’apprentissage basé sur leur méthode de recherche pouvait renforcer les performances de l’IA.

Huang insiste sur la valeur de cette approche : elle exploite des données déjà présentes dans les hôpitaux — les traces visuelles des experts — mais jusqu’ici peu mobilisées pour l’entraînement des modèles d’IA.

Des essais cliniques sont prévus pour évaluer si l’association du système aux pathologistes augmente le nombre de cancers détectés et accélère leur analyse.

Asadi considère que l’usage le plus pertinent, à ce stade, serait de déployer Pathology-o3 comme outil de tri initial, guidant le médecin vers les zones exigeant une attention accrue. Il insiste toutefois sur la nécessité d’études multicentriques pour mesurer rigoureusement sa précision, sa vitesse, son taux d’alertes erronées et son impact réel sur la charge de travail des professionnels.

Le système reste limité face au processus complet de diagnostic, qui peut impliquer l’analyse simultanée de plusieurs lames, l’usage de colorations spécifiques et la prise en compte du dossier médical du patient. Huang le confirme sans ambiguïté : « Je ne prétends pas qu’il devrait poser le diagnostic seul. »