Dépistage et aide à la décision basés sur l’IA en mammographie et tomosynthèse numérique pour le dépistage du cancer du sein : essai apparié en non‑infériorité

Pourquoi un dépistage plus intelligent compte

La plupart des femmes de plus de 50 ans sont invitées à des contrôles radiographiques réguliers du sein pour détecter le cancer tôt. Ces programmes de dépistage sauvent des vies, mais ils mettent aussi les systèmes de santé sous tension et provoquent de l’anxiété quand des examens déclenchent de faux positifs. Cette étude pose une question urgente : l’intelligence artificielle (IA) peut‑elle prendre en charge une partie de la lecture des images mammaires en toute sécurité, de sorte que les radiologues se concentrent uniquement sur les cas à plus haut risque tout en trouvant au moins autant de cancers ?

Comment les examens mammaires sont lus aujourd’hui

Dans de nombreux programmes européens, chaque mammographie est interprétée de manière indépendante par deux radiologues. Cette « double lecture » permet de dépister davantage de cancers mais double aussi la charge de travail. Les nouveaux examens en « 3D », appelés tomosynthèse, augmentent encore le temps de lecture par examen. Parallèlement, le vieillissement des populations, certaines recommandations préconisant un dépistage plus précoce et le manque de radiologues formés dans plusieurs régions rendent difficile le maintien ou l’amélioration de la qualité du dépistage sans surcharger les spécialistes.

Ce que les chercheurs ont testé en conditions réelles

L’équipe a mené un grand essai clinique à Córdoba, en Espagne, au sein d’un programme de dépistage public existant. Plus de 31 000 femmes âgées de 50 à 71 ans ont subi soit une mammographie numérique standard, soit une tomosynthèse. Chaque examen a été traité en parallèle de deux manières. D’abord la méthode habituelle : deux radiologues lisent chaque cas sans aide de l’IA. Dans l’approche expérimentale, un système d’IA analysait les images et classait chaque examen selon la probabilité qu’il contienne un cancer. Les examens jugés à faible risque par l’IA étaient automatiquement considérés comme normaux et n’étaient pas présentés à un radiologue ; seuls les examens à risque plus élevé faisaient l’objet d’une double lecture, cette fois avec les annotations visuelles et les scores de l’IA disponibles comme aide à la décision.

Conséquences sur la charge de travail et la détection des cancers

Cette stratégie de tri par l’IA a permis aux radiologues de lire un peu plus d’un tiers des examens au lieu de tous les examens — une baisse de charge de travail de près des deux tiers. Malgré cette réduction spectaculaire, la stratégie assistée par l’IA a en fait détecté plus de cancers : environ 7,3 cancers pour 1 000 femmes dépistées contre 6,3 pour 1 000 avec la méthode standard. La voie guidée par l’IA a permis de détecter des tumeurs supplémentaires, précoces, de petite taille et sans atteinte ganglionnaire, c’est‑à‑dire des cancers pour lesquels un traitement précoce peut être le plus bénéfique. Ces gains étaient particulièrement marqués pour la mammographie 2D traditionnelle, où la détection du cancer a augmenté de plus de 30 % avec l’aide de l’IA.

Le compromis : davantage de rappels pour examens complémentaires

Le prix de cette amélioration a été une augmentation du nombre de femmes rappelées pour des examens complémentaires. Globalement, le taux de rappel est passé de 4,8 % avec la lecture standard à 5,5 % sous la stratégie IA, et le taux de faux positifs a légèrement augmenté. Autrement dit, davantage de cancers ont été trouvés, mais un peu plus de femmes ont subi le stress d’un résultat suspect qui s’est finalement avéré bénin. Pour la tomosynthèse, en revanche, l’IA a réduit la charge de travail sans modifier de façon significative le nombre de rappels ou de cancers détectés, ce qui reflète des performances déjà élevées pour cette modalité.

Sécurité, cancers manqués et questions éthiques

L’IA n’était pas parfaite : 11 cancers ont reçu des scores de faible risque et auraient donc été manqués dans un flux de travail entièrement autonome. Pourtant, l’approche standard sans IA a manqué encore plus de cancers que la stratégie assistée par l’IA a retrouvés. La plupart des tumeurs manquées par l’IA présentaient des aspects très subtils, repérés par un seul des deux radiologues dans le bras de lecture traditionnelle. Les auteurs soulignent que l’adoption généralisée d’une lecture uniquement par l’IA pour de nombreux examens soulève des questions éthiques et juridiques. Ils estiment que des garanties supplémentaires — telles que des contrôles stricts de la qualité d’acquisition des images et une surveillance continue des performances de l’IA — seraient nécessaires avant de se fier à l’IA pour étiqueter la majorité des examens comme normaux sans revue humaine.

Ce que cela signifie pour le dépistage futur

Pour un lecteur non spécialiste, l’essentiel est que des systèmes d’IA correctement conçus peuvent aider les radiologues à gérer beaucoup plus d’examens de dépistage tout en détectant au moins autant, et parfois davantage, de cancers du sein à un stade précoce. Dans cet essai, permettre à l’IA de déclarer automatiquement normales les mammographies à faible risque a réduit la charge de travail des radiologues de près des deux tiers, a maintenu la précision des constatations positives et a légèrement amélioré la détection globale du cancer, bien que davantage de femmes aient été invitées à revenir pour un suivi. L’étude suggère qu’avec une supervision appropriée et des validations supplémentaires, le tri et l’aide à la décision basés sur l’IA pourraient rendre le dépistage du cancer du sein à grande échelle à la fois plus durable pour les systèmes de santé et plus efficace pour détecter la maladie tôt.

Citation: Elías-Cabot, E., Romero-Martín, S., Raya-Povedano, J.L. et al. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening: a paired, noninferiority trial. Nat Med 32, 1296–1305 (2026). https://doi.org/10.1038/s41591-026-04277-x

Mots-clés: dépistage du cancer du sein, mammographie, intelligence artificielle, charge de travail en radiologie, détection précoce du cancer