Cancer : comment l'IA aide vraiment le radiologue

Sur une mammographie, une tumeur invisible à l'œil nu se cache dans le tissu. Un algorithme la repère avant même qu'elle ne devienne palpable. Tout commence entre 2015 et 2020. Les premiers algorithmes apprennent à lire des images médicales et à y repérer des anomalies suspectes. La pandémie de COVID accélère tout, entre 2020 et 2025. La FDA autorise de plus en plus de dispositifs médicaux fondés sur l'intelligence artificielle. Une image médicale, c'est des milliers de nuances de gris. L'œil d'un radiologue fatigue ; la machine, elle, ne se lasse jamais. Avant toute analyse, l'image est normalisée. On la ramène à la même échelle et au même contraste, pour comparer des choses comparables. Au cœur du système, les réseaux de neurones convolutifs. Ils extraient seuls les motifs d'une image, sans qu'on ait à les décrire. Ces réseaux excellent sur les images à haute résolution, comme un scanner ou une IRM. Ils repèrent des motifs qu'un humain pourrait manquer. Plus récemment, une autre architecture émerge : les Vision Transformers. Là où le CNN regarde par morceaux, eux analysent l'image entière d'un coup. Leur secret : un mécanisme d'attention. Le modèle relie chaque région aux autres, et comprend enfin le contexte global de toute l'image. Le cancer du sein en profite le premier. Le modèle de Google Health et Lunit INSIGHT MMG analysent les mammographies à la recherche de tumeurs. Sur des tâches bien délimitées, ces systèmes égalent un radiologue seul, parfois le dépassent. Mais tout dépend du protocole d'évaluation exact retenu. La conséquence est concrète : davantage de cancers détectés tôt. Et moins de biopsies inutiles, quand la machine lève un doute finalement bénin. Le cancer du poumon, si difficile à voir tôt, avance aussi. Aidoc et AI-Rad Companion, de Siemens Healthineers, scrutent les scanners thoraciques. Ils traquent de minuscules lésions, signe d'un cancer naissant. En les repérant, ils réduisent les faux négatifs, ces cancers qu'on ne voit pas. La même méthode dépasse largement le seul cancer. On l'applique aujourd'hui à la rétinopathie diabétique, aux fractures osseuses et aux pathologies cardiaques. Voici comment le système fonctionne réellement, étape par étape. Le modèle ne tranche jamais : il propose des zones suspectes sur l'image. À chaque zone, il attribue un score de confiance. Une note qui dit : voici à quel point je pense avoir raison. C'est ensuite le radiologue humain qui examine ces zones. Il confirme lui-même les vraies alertes, et écarte celles qui n'en sont pas. Un faux positif écarté n'est jamais perdu pour autant. Il retourne à l'entraînement, et le modèle apprend à ne plus répéter l'erreur. Et c'est là l'essentiel : la décision finale reste médicale. La machine éclaire le regard du radiologue, elle ne le remplace pas. Derrière ces outils, tout un écosystème s'active. Les géants Google Health, IBM Watson Health et Microsoft investissent lourdement dans ces nouveaux modèles. À côté d'eux, des startups très spécialisées avancent. Aidoc, Zebra Medical et Lunit progressent vite sur des niches très précises de diagnostic. Et les fabricants d'imagerie complètent le tableau. Siemens Healthineers, GE Healthcare et Philips intègrent ces logiciels directement au cœur de leurs machines. Mais rien de tout cela n'est vraiment sans risque. Un modèle reproduit fidèlement les biais des données sur lesquelles on l'a entraîné. Si les données d'entraînement manquent de diversité, alors le diagnostic dérape. Les populations sous-représentées deviennent alors les premières victimes de cette erreur. Face à ces enjeux, la régulation avance. La FDA impose des cadres stricts pour évaluer chaque dispositif avant sa mise sur le marché. Ces processus de certification sont longs et complexes à franchir. Ils protègent le patient, mais peuvent aussi ralentir l'arrivée des innovations utiles. Reste enfin un dernier obstacle, plus humain que technique. Le radiologue doit être convaincu que l'outil est fiable, pour l'adopter au quotidien. Ce qui a changé, ce n'est pas que la machine décide. C'est qu'elle voit désormais ce que l'œil seul ne pouvait plus voir. La véritable révolution est là : un radiologue augmenté, pas remplacé. L'humain et le modèle regardent enfin la même image, côte à côte. Chez Koaee, nous suivons ces avancées de très près. Elles nous rappellent une exigence : une IA utile assiste l'humain, sans jamais décider à sa place. C'est avec cette même rigueur que nous concevons nos assistants conversationnels. Vous voulez creuser le sujet ? L'article complet vous attend en commentaire. La médecine augmentée vous passionne, comme l'intelligence artificielle en général ? Abonnez-vous à cette chaîne, aimez la vidéo, et donnez-nous rendez-vous sur koaee.ai.