Melan-Dx : un cadre vision‑langage enrichi par des connaissances améliore le diagnostic différentiel des néoplasmes mélanocytaires

Pourquoi un diagnostic du mélanome plus intelligent est important

Le mélanome, une forme dangereuse de cancer de la peau, peut souvent être guéri s’il est détecté tôt — mais uniquement si les médecins qui examinent les prélèvements au microscope l’identifient correctement. Malheureusement, même des spécialistes expérimentés peuvent parfois être en désaccord sur leurs interprétations, en particulier pour les lésions limites qui semblent presque, mais pas tout à fait, malignes. Cet article décrit Melan‑Dx, un nouveau système d’intelligence artificielle (IA) visant à soutenir les experts du cancer de la peau en combinant des milliers d’images microscopiques annotées par des spécialistes avec des connaissances médicales structurées, offrant des diagnostics plus rapides, plus cohérents et plus transparents.

Constituer un atlas riche d’images de tumeurs cutanées

La première étape a consisté à rassembler un « atlas » de haute qualité des tumeurs mélanocytaires — la grande famille de lésions qui inclut des grains de beauté bénins et des mélanomes potentiellement mortels. Des dermatopathologistes de l’Université de Pennsylvanie ont soigneusement sélectionné et étiqueté 2 893 images microscopiques couvrant 44 types différents de lésions mélanocytaires, des nævi bénins courants aux mélanomes rares et agressifs. Chaque image se concentre sur une région d’intérêt et est mappée dans une hiérarchie à trois niveaux basée sur les classifications tumorales de l’Organisation mondiale de la santé (OMS), groupant d’abord les maladies par catégorie large, puis par sous‑type, et enfin par diagnostic spécifique. Cette organisation structurée reflète la manière dont les spécialistes appréhendent ces lésions dans la pratique quotidienne.

Apprendre à l’IA avec des connaissances médicales, pas seulement des pixels

Melan‑Dx va au‑delà des IA classiques basées uniquement sur l’image en associant les photos à des descriptions textuelles extraites de sources médicales faisant autorité. Pour chaque type de maladie, l’équipe a compilé de courts textes structurés décrivant ce que recherchent les pathologistes — par exemple la forme des cellules, le schéma de croissance et les résultats des colorations spéciales — et comment ces caractéristiques différencient une lésion d’une autre. Un grand modèle de langage a aidé à organiser ces informations, qui ont ensuite été relues par des experts humains pour en vérifier l’exactitude. Images et textes sont convertis en « embeddings » numériques et stockés dans une base consultable. Cela permet à l’IA non seulement de reconnaître des motifs visuels, mais aussi de les relier à des critères diagnostiques explicites, à la manière d’un médecin consultant un manuel illustré et bien indexé.

Comment le système Melan‑Dx raisonne sur un nouveau cas

Lorsque Melan‑Dx analyse une nouvelle image de biopsie, il la traite via deux branches coordonnées. Dans la branche image, un modèle visuel encode l’image et récupère les exemples les plus similaires de l’atlas, en mettant l’accent sur ceux qui correspondent le mieux et en les mélangeant pour former une représentation enrichie. Dans la branche connaissance, la même image permet d’extraire les extraits de texte les plus pertinents décrivant les diagnostics possibles. Des modules « experts » dédiés à chaque type de maladie évaluent quelles images de référence et quelles entrées de connaissance sont les plus importantes, et des blocs de fusion combinent ces indices. Le système est entraîné de sorte que, pour un diagnostic correct, les représentations enrichies issues de l’image et du texte s’alignent étroitement, tandis que les paires discordantes sont repoussées. Cet apprentissage contrastif aide l’IA à séparer des dizaines de types tumoraux finement distincts tout en restant ancrée dans des connaissances médicales.

Évaluer la précision, la sécurité et l’efficience

Les chercheurs ont comparé Melan‑Dx à plusieurs modèles d’IA de pointe en pathologie sur de multiples tâches. À la question fondamentale « mélanome ou pas ? », Melan‑Dx a atteint jusqu’à 87 % de précision, surpassant à la fois des modèles légèrement adaptés et des modèles entièrement réentraînés. Dans une tâche plus difficile de classification en 40 classes couvrant de nombreux sous‑types de mélanomes et de nævi, il a atteint près de 70 % de précision pour la première hypothèse et plus de 87 % lorsqu’on lui a laissé trois propositions, dépassant là encore les approches concurrentes. Le système respectait également la hiérarchie des maladies : lorsqu’il se trompait, il était plus susceptible de confondre des affections étroitement liées que de mélanger catégories bénignes et malignes, ce qui reflète mieux les enjeux cliniques réels. Sur des lames entières — grands scans numériques de sections tissulaires — Melan‑Dx a amélioré la détection du cancer à la fois lorsque les données d’entraînement étaient rares et lorsqu’un grand nombre d’exemples étaient disponibles, tout en réduisant le temps d’entraînement de près de 90–97 % parce que le modèle visuel central n’a pas besoin d’être réentraîné.

Ce que cela signifie pour les patients et les médecins

Pour les patients, la promesse de Melan‑Dx n’est pas un médecin robot omniscient, mais un second avis plus intelligent qui peut aider à réduire les mélanomes manqués et les alarmes inutiles dues à des surdiagnostics. Pour les cliniciens, le système offre non seulement une étiquette mais aussi des preuves : il montre des cas antérieurs similaires et les critères écrits clés qui étayent sa suggestion, rendant son raisonnement plus facile à examiner. Bien que le travail actuel se concentre sur les tumeurs mélanocytaires et repose sur un jeu de données soigneusement sélectionné provenant d’un seul centre, la même stratégie — lier images et connaissances médicales structurées et utiliser la recherche pour guider l’IA — pourrait être étendue à de nombreuses autres maladies. En tant qu’outil léger et explicable conçu pour la collaboration humain‑IA, Melan‑Dx ouvre la voie à un futur où les pathologistes restent aux commandes, mais sont mieux équipés pour fournir des diagnostics du cancer de la peau précis et opportuns.

Citation: Yao, J., Li, S., Liang, P. et al. Melan-Dx: a knowledge-enhanced vision-language framework improves differential diagnosis of melanocytic neoplasm pathology. npj Digit. Med. 9, 171 (2026). https://doi.org/10.1038/s41746-026-02357-3

Mots-clés: diagnostic du mélanome, pathologie computationnelle, IA médicale, modèles vision‑langage, détection du cancer de la peau