Une IA capable d'interpréter les clichés pulmonaires comme le ferait un radiologue

Chaque jour, les radiologues examinent un grand nombre de tomodensitométries à la recherche de détails qui pourraient facilement passer inaperçus. Un petit nodule. Une ombre à peine perceptible. Quelque chose qui pourrait être un cancer du poumon à un stade précoce, ou qui pourrait ne rien signifier du tout.

Le cancer du poumon est, à l'échelle mondiale, la cause de décès la plus fréquente parmi tous les cancers. Les chances de survie dépendent fortement de la précocité du diagnostic. Or, la charge de travail dans la plupart des services de radiologie laisse peu de place à l'attention soutenue et à double objectif que nécessite en réalité la détection d'une petite lésion suspecte.

Une étude qui vient d'être publiée dans *Scientific Reports*, menée par une équipe de recherche internationale comprenant notamment des chercheurs de l'Université technologique de Kaunas, en Lituanie, a permis de mettre au point un système d'intelligence artificielle conçu pour accomplir une tâche qui a toujours posé problème aux outils existants. Ce système analyse l'image de deux manières différentes simultanément.

Comment un radiologue interprète-t-il réellement un examen d'imagerie ?

Lorsqu'un radiologue examine un scanner, il change constamment de perspective. Il effectue un zoom sur une zone d'intérêt pour en examiner les moindres détails, puis prend du recul pour comprendre comment cette zone s'inscrit dans l'ensemble du poumon. Ce n'est pas l'un ou l'autre : c'est les deux, de manière répétée, tout au long de l'interprétation.

La plupart des systèmes d'IA conçus pour cette tâche ont dû faire un choix. Soit ils excellent dans la capture des détails locaux fins, soit ils excellent dans la compréhension du contexte structurel plus large. Réussir à concilier ces deux aspects simultanément constitue un problème technique récurrent.

La solution proposée par l’équipe est un modèle qu’elle a baptisé « C-Swin ». Il combine deux types d’architectures de réseaux neuronaux distincts qui fonctionnent de concert. Un réseau neuronal convolutif traite les caractéristiques locales à haute résolution, c’est-à-dire la reconnaissance détaillée des motifs qui permet de détecter les petites lésions et les textures subtiles. Un « Swin Transformer », une architecture utilisant une approche par fenêtre glissante pour analyser les régions spatiales de l’image, gère le contexte plus large. Les deux composants fonctionnent en parallèle, leurs résultats étant intégrés plutôt que séquentiels.

Le chercheur Inzamam Mashood Nasir, de l'université KTU, l'explique simplement. Une partie du modèle se concentre sur les petits détails, tels que les minuscules taches ou les textures présentes dans les poumons, tandis qu'une autre examine l'image dans son ensemble pour en saisir la vision globale. On peut se représenter cela comme si l'on disposait à la fois d'une loupe et d'une vue d'ensemble du scanner.

Ce qu'ont révélé les résultats

Le modèle a été testé sur l'ensemble de données IQ-OTH/NCCD, une collection de tomodensitométries accessible au public, en classant les images en trois catégories : normales, bénignes et malignes.

Distinguer les nodules bénins (non cancéreux) des tumeurs malignes est l'une des tâches les plus difficiles en radiologie ; une erreur de diagnostic peut entraîner soit la non-détection de cancers, soit la réalisation de biopsies invasives inutiles.

Les résultats ont été très bons. C-Swin a atteint une exactitude de 96,26 %, avec une précision de 97,48 % et un score F1 de 97,42 %. Par rapport aux méthodes existantes, l'amélioration de l'exactitude variait entre 2,31 % et 6,81 % selon la comparaison effectuée.

En médecine, ces écarts ne sont pas négligeables. Un point de pourcentage de précision diagnostique, multiplié par des milliers de patients et des centaines de milliers d'examens, se traduit par des résultats concrets.

Les chercheurs font preuve de prudence dans leurs affirmations. Le modèle a été entraîné à partir d’un seul ensemble de données. Il n’a pas encore été testé avec différents fabricants de scanners, différents protocoles d’imagerie ou différentes populations de patients. Nasir est très clair à ce sujet. Dans les conditions réelles, les variables sont nombreuses, et le système doit être testé dans tous ces cas avant d’être utilisé en milieu clinique.

Cette mise en garde n'enlève rien à la validité de cette conclusion. Il s'agit simplement d'une description honnête de l'état d'avancement d'une recherche de qualité avant qu'elle ne soit transposée en pratique clinique. Les prochaines étapes consistent en une validation clinique, des essais en milieu hospitalier et l'intégration dans les systèmes d'imagerie médicale existants.

Pourquoi le timing est essentiel

Le cancer du poumon est encore le plus souvent diagnostiqué à un stade avancé, lorsque les options thérapeutiques sont plus limitées et que les résultats sont plus difficiles à obtenir. L'écart entre ce qui est biologiquement possible et ce qui parvient effectivement aux patients à temps constitue l'un des problèmes majeurs de l'oncologie.

Les outils d'IA qui permettent réellement de réduire le nombre de cas non détectés et de diminuer les taux de faux positifs, ce qui se traduit par une diminution du nombre de patients orientés vers des examens inutiles et de l'anxiété qui en découle, s'attaquent simultanément aux deux aspects de ce problème.

Nasir souligne que cette architecture ne se limite pas au cancer du poumon. Toute tâche d'imagerie médicale nécessitant à la fois une analyse locale détaillée et une compréhension structurelle plus globale pourrait bénéficier de cette même approche. Les tumeurs cérébrales, le cancer du sein et les maladies oculaires sont tous cités comme des applications potentielles.

Une vision d'ensemble

Cette semaine, Demis Hassabis, PDG de Google DeepMind, a accordé deux entretiens marquants : l’un dans le podcast « 20VC » avec Harry Stebbings, et l’autre avec la vulgarisatrice scientifique Cleo Abram, au cours desquels il a exposé sa vision du rôle que l’IA peut jouer en médecine. Son message, toujours le même, est que le rôle le plus important de l’IA ne réside pas dans les produits grand public, mais dans la lutte contre les maladies. Il a notamment exprimé son souhait de voir le processus de découverte de médicaments, qui dure actuellement une dizaine d’années, réduit à quelques mois. Il a également évoqué le fait que l’IA pourrait faire évoluer la médecine au point qu’elle ne ressemble plus à ce qu’elle est aujourd’hui.

L'article sur C-Swin n'affiche pas une telle ambition. Il s'agit d'un modèle, d'un ensemble de données, d'un ensemble de résultats soigneusement délimités qui attendent d'être validés cliniquement. Mais c'est précisément ainsi que l'on comble le fossé qui nous sépare de cet objectif. Non pas par des bonds en avant, mais grâce à des études comme celle-ci, menées avec rigueur, publiées en libre accès et sur lesquelles s'appuiera l'équipe suivante.

On comprend de mieux en mieux la biologie du cancer du poumon. Les traitements commencent à suivre le mouvement. Et aujourd’hui, petit à petit, les moyens de dépistage évoluent eux aussi.

Source : Yousafzai SN, Nasir IM, Mansour S et al. Une approche hybride d'apprentissage profond intégrant un réseau neuronal convolutif (CNN) et un transformateur pour la classification du cancer du poumon à partir de tomodensitométries. Scientific Reports. 2026. doi:10.1038/s41598-026-41161-7

Image : illustration générée par l'IA