Diagnostic différencié du cancer du sein BI‑RADS utilisant MobileNetV1 et un vision transformer basé sur l’intelligence artificielle explicable (XAI)

Détecter le risque de cancer plus tôt

Le cancer du sein est le plus traitable lorsqu’il est détecté précocement, mais l’interprétation des mammographies est un travail difficile et soumis à la pression du temps. Cette étude décrit un nouveau système d’intelligence artificielle (IA) conçu non seulement pour repérer les signes de cancer sur les mammographies avec une très grande précision, mais aussi pour montrer aux médecins exactement quelles zones de l’image mammaire ont influencé ses décisions. En combinant de manière astucieuse deux techniques modernes d’analyse d’image, le système vise à assister les radiologues avec des seconds avis rapides, fiables et transparents.

Pourquoi la lecture des mammographies est si difficile

Les mammographies sont des images radiographiques du sein utilisées pour rechercher des signes précoces de cancer. Les radiologues attribuent à chaque examen un score BI‑RADS, une échelle standardisée qui va des constats normaux aux cas manifestement cancéreux. Dans les seins denses, où il y a beaucoup de tissu glandulaire, des zones suspectes peuvent être masquées ou ressembler à des structures bénignes. De nombreux outils d’aide informatique précédents se contentaient d’un jugement binaire, rencontraient des difficultés avec l’ensemble des catégories BI‑RADS, ou fonctionnaient comme une boîte noire, laissant les médecins dans l’incertitude quant aux raisons d’une décision donnée.

Mêler deux manières de « regarder » une image

Les chercheurs ont construit un cadre IA hybride qui imite la façon dont un lecteur humain attentif pourrait examiner une mammographie : d’abord en regardant les petits détails, puis en considérant l’ensemble. Une partie du système, basée sur un réseau compact appelé MobileNetV1, se concentre sur les détails locaux tels que les microcalcifications et les bords nets des lésions. Une seconde partie, un vision transformer, découpe l’image en patchs et analyse les relations de motifs à l’échelle du sein entier, capturant la structure tissulaire globale et les distorsions subtiles. Les caractéristiques extraites par ces deux « flux » sont ensuite fusionnées en une description riche et unique de chaque image.

Nettoyer, équilibrer et simplifier les données

Avant d’entrer dans le pipeline IA, les images passent par plusieurs étapes de préparation. L’équipe améliore le contraste à l’aide d’une méthode qui éclaire les structures subtiles sans exagérer le bruit, rendant les zones faibles plus faciles à distinguer. Les images sont redimensionnées et normalisées pour que le système les traite de manière cohérente. Pour compenser le fait que certaines catégories BI‑RADS, comme les cas clairement malins, sont relativement rares, les auteurs utilisent des astuces d’augmentation des données comme de petites rotations et des retournements et appliquent un entraînement sensible aux classes afin que les catégories moins fréquentes influent toujours pendant l’apprentissage. Après l’extraction des caractéristiques par les deux flux, un outil mathématique appelé analyse en composantes principales compresse ces informations, conservant l’essentiel tout en réduisant la complexité.

Des caractéristiques aux scores de risque, avec explications

Pour l’étape finale, au lieu de s’appuyer sur un classifieur neuronal lourd et opaque, les auteurs utilisent de nombreux modèles de régression logistique simples combinés en un ensemble par « bagging ». Chaque modèle offre un lien clair entre les caractéristiques de l’image et les niveaux de risque BI‑RADS, et leur vote majoritaire apporte de la stabilité et une résistance au surapprentissage sur un jeu de données relativement restreint. Testé sur plus de 6 000 mammographies issues du jeu de données sur le cancer du sein de la King Abdulaziz University, le système hybride a atteint plus de 99 % d’exactitude, de sensibilité et de spécificité sur les quatre catégories BI‑RADS principales visées : normal, probablement bénin, suspect et malin.

Permettre aux médecins de voir ce que l’IA voit

Pour rendre ses décisions compréhensibles, le système emploie des techniques d’IA explicable connues sous les noms Grad‑CAM et Grad‑CAM++. Celles‑ci produisent des cartes de chaleur colorées superposées à la mammographie, mettant en évidence les régions qui ont le plus influencé le score BI‑RADS prédit. Dans les cas malins, les zones mises en évidence correspondent généralement aux masses ou aux amas de calcifications notés par des radiologues experts ; dans les images normales, il y a peu ou pas d’activation focalisée. Ce retour visuel aide les cliniciens à évaluer si le modèle se concentre sur des caractéristiques médicalement pertinentes et peut révéler pourquoi certains cas limites — comme un tissu dense imitant une lésion — sont difficiles même pour les experts.

Ce que cela pourrait signifier pour les patientes

L’étude montre que, sur un seul jeu de données clinique, ce système IA à double flux et explicable peut classer les mammographies en plusieurs niveaux de risque avec une précision comparable, et à certains égards supérieure, à de nombreuses méthodes antérieures. Bien qu’il doive encore être évalué sur des populations plus diversifiées et dans d’autres hôpitaux, l’approche ouvre la voie à des outils d’IA qui sont non seulement très précis, mais aussi suffisamment rapides pour les cliniques chargées et assez transparents pour gagner la confiance des radiologues et des patientes. En pratique, de tels systèmes pourraient jouer le rôle d’une paire d’yeux experte supplémentaire — signaler des anomalies subtiles, réduire les cancers manqués et soutenir des échanges plus clairs et plus assurés sur le risque de cancer du sein.

Citation: Abdelsabour, I., Elgarayhi, A., Sallah, M. et al. Different BI-RADS breast cancer diagnosis using MobileNetV1 and vision transformer based on explainable artificial intelligence (XAI). Sci Rep 16, 7190 (2026). https://doi.org/10.1038/s41598-026-37199-2

Mots-clés: cancer du sein, mammographie, intelligence artificielle, vision transformer, IA explicable