IA en cancérologie : ne pas confondre lenteur d’adoption et absence de progrès

Des promesses sans prise avec la biologie

Les dirigeants de grands laboratoires d’IA annoncent une guérison du cancer à cinq ou dix ans, parfois en laissant entendre qu’une puissance de calcul accrue suffirait. TIME France qualifie ces déclarations de battage médiatique qui crée des attentes excessives. Le problème n’est pas seulement sémantique. Le cancer n’est pas une maladie unique, mais une famille de pathologies hétérogènes. the Guardian rappelle qu’il existe plus de 100 types de tumeurs cérébrales, bien plus que dans tout autre organe. Chercher un remède unique n’a donc pas de sens biologique. L’IA peut améliorer certaines étapes du parcours de soins, mais elle ne contourne pas la complexité du vivant.

Des progrès discrets dans l’imagerie et la détection précoce

L’IA n’est pas une promesse lointaine. En imagerie, ses applications sont déjà en routine ou en essai. Harmonie Santé indique que les outils d’aide au diagnostic sont utilisés depuis plus de vingt ans, notamment pour la mammographie. Une étude suédoise publiée dans The Lancet a observé que le dépistage assisté par IA détecte davantage de cancers et réduit de 12 % les cancers dits d’intervalle. Aux États-Unis, les travaux d’Ajit Goenka à la Mayo Clinic montrent que des modèles d’apprentissage automatique peuvent identifier des signes précoces de cancer du pancréas sur des scanners jugés normaux des mois avant le diagnostic. Certains logiciels de triage autonome d’images ont obtenu un marquage CE en Europe, mais leur utilisation exige des systèmes d’assurance qualité structurés, une infrastructure numérique interopérable et une supervision continue par des radiologues. Ces résultats ne constituent pas un remède, mais ils changent la temporalité de la prise en charge. L'intérêt de l'IA en adjuvant à l'expertise des médecins a déjà été démontré, y compris dans plusieurs projets au sein d'Euranova.

Prédire la réponse avant le traitement

La médecine de précision cherche à éviter les traitements inutiles et à orienter les patients vers les stratégies les plus adaptées. Sciencepost décrit un modèle du Memorial Sloan Kettering Cancer Center entraîné sur des milliers de tumeurs, associant données tumorales et génomiques. Ce modèle estime la probabilité de réponse à l’immunothérapie avant la première injection avec une précision d’environ 80 %. Ce n’est ni un verdict ni une certitude : les 20 % restants rappellent que le vivant conserve une part d’imprévisible. Pour le clinicien, disposer d’une estimation de cette nature peut éviter des semaines de traitement inefficace ou ouvrir plus tôt une alternative. La valeur clinique tient moins à la performance brute qu’à l’intégration de la prédiction dans une décision médicale documentée.

Les données fiables comme condition première

Le manque de données fiables est le principal enjeu de ces questions de santé. Un modèle entraîné sur des données hétérogènes, mal annotées ou non représentatives peut produire des résultats trompeurs une fois déployé dans un autre établissement. Les données cliniques sont dispersées entre dossiers patients, systèmes d’imagerie, comptes rendus et plateformes de séquençage, avec des formats variables. Cette hétérogénéité augmente le risque de biais, de données manquantes et de non-reproductibilité des résultats, avant même toute question d’algorithme. En France, la Filière Intelligence Artificielle & Cancers réunit l’Institut national du cancer, le Health Data Hub et des laboratoires pour structurer cet écosystème, comme le rappelle Homéopathie et médecines complémentaires à la une. Un accord-cadre de quatre ans vise à alimenter le Registre national des cancers à partir de données pseudonymisées. L’objectif n’est pas de produire des algorithmes spectaculaires, mais de rendre les données réutilisables dans des conditions de qualité acceptables.

Le programme EUcanAI et la coordination des données

Le projet européen EUcanAI, présenté par Europa, illustre cette exigence. Coordonné par l’Université de Heidelberg, il réunit treize institutions et développe un écosystème d’agents génératifs modulaires pour unifier le diagnostic et le traitement des cancers du système nerveux central. Il s’appuie sur plus de 10 000 cas harmonisés de tumeurs du système nerveux central en Europe. L’objectif opérationnel est de croiser en temps utile les données cliniques, radiologiques, histopathologiques et moléculaires, puis de produire des recommandations expliquées et traçables pour les réunions de concertation pluridisciplinaire. Pendant une intervention, l’analyse d’une biopsie et de son profil moléculaire peut orienter le geste chirurgical et le traitement sans attendre plusieurs semaines. Ce gain de temps réduit la durée d’incertitude pour le patient. Le projet intègre dès la conception la conformité au règlement européen sur l’IA, au règlement sur les dispositifs médicaux et au RGPD, ce qui conditionne son adoption clinique.

Une validation pharmaceutique héritée d’une autre époque

La lenteur de l’adoption de l’IA dans le passé n’est pas une preuve de son incapacité à fournir des avancées majeures en médecine. Elle résulte pour une large part de l’inadéquation des cadres d’évaluation. Les méthodes traditionnelles de validation pharmaceutique ne sont pas adaptées à une médecine individualisée. Un essai contrôlé randomisé classique mesure un effet moyen dans une population définie par des critères larges. Or une IA prédictive en oncologie vise souvent des sous-groupes moléculaires restreints, des associations de biomarqueurs et des trajectoires longitudinales. L’effet moyen peut masquer un bénéfice important pour certains patients et nul pour d’autres. De plus, les algorithmes qui apprennent ou sont régulièrement mis à jour se prêtent mal à une évaluation figée dans un protocole unique. the Guardian cite ainsi le constat selon lequel, après treize ans de recherche de médicaments assistée par IA, aucun traitement n’a encore franchi l’ensemble des étapes d’approbation, de remboursement et d’adoption clinique. Ce constat ne condamne pas la technologie : il souligne que les critères de preuve et les incitations ne sont pas alignés sur la nature de ces innovations. Le déploiement de modèles sans cadre de validation rigoureux expose par ailleurs les établissements à une dette technique réglementaire et clinique. Elle appelle une gouvernance capable de tracer les versions des modèles, les données d’entraînement et les conditions de déploiement, sous peine de dérive silencieuse des performances.

Évaluer autrement : robustesse, calibration, généralisation

Pour une médecine individualisée, la validation doit porter sur plusieurs propriétés essentielles :

• la robustesse face aux variations d’acquisition des données ;
• la calibration des probabilités prédites ;
• la reproductibilité entre centres et entre équipements ;
• la généralisation externe à des populations non vues pendant l’entraînement.

Un modèle doit être testé sur des cohortes indépendantes, dans des centres différents, avec des équipements différents. Il faut documenter les données d’entraînement, les critères d’inclusion, les annotations et les incertitudes. Le projet EUcanAI prévoit des études rétrospectives puis prospectives multicentriques avec supervision humaine, ce qui correspond à une évaluation pragmatique. D’autres indicateurs deviennent centraux : le délai avant diagnostic, le taux de faux positifs, la proportion de traitements évités, la reproductibilité des recommandations. Ces indicateurs sont moins spectaculaires qu’un taux de guérison, mais ils décrivent la valeur réelle d’un outil dans un parcours de soins.

Ne pas confondre lenteur et échec

La promesse d’un remède universel alimente un cycle d’enthousiasme puis de déception. À l’inverse, une lecture trop sévère de la lenteur d’adoption conduit à ignorer des progrès déjà utiles. Les outils d’imagerie, les modèles de prédiction de réponse et les plateformes de coordination de données ne sont pas des remèdes, mais ils modifient déjà la manière de détecter, de suivre et de décider. Le principal obstacle reste la constitution de données fiables, harmonisées et représentatives, capable de soutenir des validations cliniques crédibles. Les régulateurs et les établissements doivent construire des cadres adaptés à une médecine individualisée, sans renoncer aux exigences de preuve. L’IA n’a pas besoin de promettre la guérison en dix ans pour être utile : elle doit d’abord fournir des signaux fiables au bon moment, sous le contrôle des cliniciens. La performance d’un modèle ne vaut que si elle est confirmée sur des données externes et dans des conditions d’exploitation réelles.