Une revue publiée dans le Journal of Breast Imaging, coordonnée par des chercheurs du UCLA Health Jonsson Comprehensive Cancer Center, passe en revue les outils d'IA commercialement disponibles pour assister les radiologues lors des mammographies de dépistage. Le constat nuancé qui en ressort intéresse directement chaque personne concernée par le parcours de dépistage: ces algorithmes peuvent-ils réellement combler les angles morts de la mammographie conventionnelle?
Le cancer d'intervalle, un défi biologique mal couvert
Le dépistage organisé repose sur un rythme fixe — tous les deux ans dans de nombreux pays, dont la France. Certaines tumeurs se développent pourtant entre deux examens programmés. On les nomme cancers d'intervalle: diagnostiqués après une mammographie considérée comme normale, ils sont en moyenne plus agressifs que ceux détectés au dépistage de routine, faute d'avoir été repérés à un stade précoce.
Deux mécanismes biologiques distincts expliquent ces diagnostics tardifs. Le premier concerne les tumeurs à croissance rapide, tout simplement absentes de la mammographie antérieure — aucun outil d'interprétation, si perfectionné soit-il, ne peut détecter ce qui n'existait pas encore. Le second mécanisme est plus prometteur: ces cancers laissent parfois des signes subtils sur la mammographie précédente, des anomalies discrètes que l'œil humain n'a pas identifiées au moment de la lecture. C'est précisément dans cette catégorie que l'IA pourrait jouer un rôle.
Ce que les algorithmes parviennent à identifier
La revue de UCLA examine deux pistes d'application. La première consiste à vérifier rétrospectivement si un algorithme d'IA aurait pu détecter des signes subtils de cancer sur des mammographies antérieures à un diagnostic d'intervalle. Les résultats varient considérablement — de 5 % à 78 % — en fonction du système d'IA, de la population étudiée et de la méthodologie employée.
La seconde piste, plus prospective, concerne la capacité de certains algorithmes à identifier des schémas subtils sur une mammographie apparemment normale, associés à un risque accru de développer un cancer ultérieurement. Il ne s'agit plus seulement de détecter une masse, mais d'évaluer un profil de risque individuel.
Tiffany Yu, professeure de radiologie à la David Geffen School of Medicine de UCLA et auteure principale de l'étude, souligne que l'objectif ultime du dépistage par mammographie est d'éliminer ces cancers d'intervalle en les détectant au moment du screening, quand ils sont encore à un stade précoce.
Des preuves encore insuffisantes pour changer la pratique
Le message central des auteurs mérite d'être clairement formulé: retrouver un cancer sur une mammographie passée n'est pas la même chose que démontrer que l'IA, intégrée au dépistage de routine, modifie concrètement le parcours de la patiente. La quasi-totalité des études analysées sont rétrospectives — elles revisotent des images déjà interprétées avec le recul du diagnostic posé ultérieurement.
Hannah Milch, radiologue à UCLA et co-auteure de la revue, insiste: ce qui manque aujourd'hui, ce sont des preuves prospectives démontrant que l'IA change réellement les issues cliniques. En d'autres termes, il faut des études menées en conditions réelles de dépistage, mesurant si l'algorithme modifie les taux de détection, les stades au diagnostic et, in fine, le pronostic des patientes.
En l'état actuel des données, aucun algorithme ne remplace le regard du radiologue. Plusieurs pourraient néanmoins servir d'outil d'aide à la décision — un second lecteur numérique capable de signaler les zones d'incertitude. Pour les personnes concernées par le dépistage, un message pratique s'impose: la mammographie de routine reste le geste le plus efficace, et l'IA en est encore au stade de la consolidation des preuves cliniques avant tout déploiement systématique.