Système d’IA d’apprentissage multitâche pour aider au diagnostic du CBC avec double explication

Pourquoi cela compte pour la santé cutanée au quotidien

Le cancer de la peau est le cancer le plus fréquent dans le monde, et le carcinome basocellulaire en est la forme la plus répandue. Avec l’expansion de la télémédecine, les médecins généralistes envoient plus que jamais de photos de peau aux spécialistes hospitaliers, générant des files d’attente et des délais. Cette étude présente un outil d’intelligence artificielle qui non seulement repère les cancers basocellulaires probables sur ces images, mais montre aussi aux médecins pourquoi il en est arrivé à cette conclusion, ce qui facilite la confiance et l’utilisation en milieu clinique.

Comment les photos de peau transitent en télémédecine aujourd’hui

Dans de nombreuses régions, les médecins de premier recours utilisent la télédermatologie pour envoyer des images rapprochées de la peau aux dermatologues hospitaliers. Ces experts recherchent un ensemble d’indices visuels, comme certaines formes, couleurs et motifs vasculaires, pour décider si une lésion est un carcinome basocellulaire ou quelque chose de bénin. Si les règles de base sont bien connues, chaque cas peut paraître très différent, et les spécialistes doivent examiner un flux croissant d’images provenant de nombreuses cliniques, ce qui ralentit la prise en charge et augmente la charge du système.

Transformer les règles d’experts en assistant utile

Les chercheurs ont conçu un système d’IA qui suit la même logique que celle des spécialistes. Il recherche sept motifs visuels clés dans chaque image dermoscopique, comme l’ulcération ou des formes en feuille, et vérifie aussi un motif indiquant que la lésion est peu susceptible d’être un carcinome basocellulaire. Plutôt que de se contenter de dire « cancer » ou « pas cancer », l’outil indique lesquels de ces motifs il détecte puis applique des règles simples fondées sur la pratique des dermatologues pour déclarer une lésion comme probablement cancéreuse ou non. Cette approche rend le raisonnement de l’ordinateur plus facile à comprendre.

Entraîner le système avec de nombreux avis

Pour enseigner à l’IA, l’équipe a utilisé 1 559 images cutanées recueillies dans 60 centres de soins primaires en Andalousie, plus des images non cancéreuses supplémentaires provenant d’une archive publique. Quatre dermatologues ont indiqué quels des sept motifs ils voyaient dans chaque lésion, mais il n’existe pas de référence parfaite pour ces motifs fins, et les spécialistes sont souvent en désaccord. Les chercheurs ont employé une méthode statistique pour fusionner ces avis divergents en une étiquette de consensus par image, capturant le jugement partagé du groupe tout en réduisant le biais individuel.

Ce que l’IA a appris à faire

Le cœur du système est un réseau de reconnaissance d’images compact adapté d’une architecture mobile bien connue. Il est entraîné à accomplir deux tâches simultanément : distinguer les carcinomes basocellulaires des autres lésions et détecter les motifs visuels qui étayent cette décision. Pour gérer les motifs rares et un jeu de données déséquilibré, l’équipe a appliqué des techniques telles que des fonctions de perte avancées, l’augmentation des données et une validation croisée soigneuse. Le résultat est un modèle qui classe correctement les lésions en carcinome basocellulaire ou non dans environ 90 % des cas tout en restant performant pour repérer les motifs visuels cruciaux guidant cette décision.

Voir où l’IA porte son attention

Au-delà des listes de motifs, le système fournit des cartes colorées qui mettent en évidence les régions de l’image les plus responsables de sa décision. Pour vérifier si ces cartes correspondent vraiment à la pensée clinique, des dermatologues ont soigneusement délimité les zones des motifs sur des centaines d’images. Les chercheurs ont ensuite comparé les zones mises en évidence par l’IA à ces contours et ont constaté que la plupart de « l’attention » du modèle tombe à l’intérieur des mêmes régions que celles jugées importantes par les experts. Dans presque tous les cas positifs pour le cancer, au moins un motif pertinent a été correctement identifié, et dans la plupart des cas non cancéreux la règle du motif « sûr » attendue a été respectée.

Ce que cela signifie pour les patients et les médecins

Dans l’ensemble, les résultats montrent qu’un outil d’IA compact peut aider à trier les lésions cutanées en télédermatologie tout en fournissant des raisons cliniquement pertinentes et compréhensibles pour ses choix. Il ne remplace pas les dermatologues, mais peut signaler quelles affaires doivent être vues en priorité et montrer les indices visuels derrière ses alertes. Parce que le système fonctionne sur du matériel léger et reflète le raisonnement des spécialistes, il est bien adapté à un déploiement rapide dans les réseaux de soins primaires, avec le potentiel d’accélérer le diagnostic, de soutenir l’apprentissage et d’accroître la confiance dans les soins du cancer de la peau assistés par l’IA.

Citation: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

Mots-clés: carcinome basocellulaire, télédermatologie, IA explicable, imagerie des lésions cutanées, dermoscopie