Évaluation prospective de l’intégration de l’intelligence artificielle dans le dépistage du cancer du sein dans plusieurs configurations de flux de travail : l’étude GEMINI

Pourquoi cela importe pour les femmes et les cliniques

Le dépistage du sein sauve des vies, mais il sollicite fortement les médecins spécialistes et peut provoquer de l’anxiété quand des rappels sont inutiles. Cette étude, réalisée dans un programme réel de dépistage du National Health Service (NHS) en Écosse, posait une question pragmatique : l’intelligence artificielle (IA) peut‑elle aider les médecins à détecter davantage de cancers tout en maîtrisant les rappels et la charge de travail ? Plutôt que de tester une seule configuration, les chercheurs ont exploré de nombreuses façons d’intégrer l’IA au dépistage quotidien, fournissant une feuille de route pour des cliniques confrontées à des priorités et des pressions différentes.

Comment fonctionne le dépistage aujourd’hui

Au Royaume‑Uni, les femmes âgées de 50 à 71 ans sont invitées à une mammographie tous les trois ans. Chaque jeu de radiographies mammaires est interprété indépendamment par deux lecteurs humains formés. En cas de désaccord, un troisième expert tranche. Cette approche de « double lecture » améliore la sécurité mais exige beaucoup de temps spécialisé. Parallèlement, les systèmes de santé font face à une augmentation du nombre de femmes à dépister et à des pénuries de radiologues. Tout nouvel outil doit donc faire plus que repérer des cancers ; il doit aussi s’intégrer au système existant et aider à gérer un temps de personnel limité.

Ce que l’étude GEMINI a cherché à tester

L’étude GEMINI a suivi 10 889 femmes ayant participé au dépistage de routine dans une région du Royaume‑Uni en 2023. Toutes ont reçu les soins standard : leurs mammographies ont été lues par deux experts humains, avec arbitrage si nécessaire. En parallèle, un système commercial d’IA appelé Mia a également analysé les images et enregistré discrètement son avis. L’équipe de recherche a ensuite utilisé deux idées principales. D’abord, ils ont testé l’IA comme « filet de sécurité » supplémentaire : si l’IA proposait un rappel alors que l’équipe de dépistage ne le faisait pas, les images étaient soumises à une revue humaine supplémentaire. Ensuite, ils ont exploité les sorties enregistrées de l’IA pour simuler différentes configurations de « triage », où l’IA remplacerait parfois le second lecteur afin de gagner du temps. Au total, ils ont modélisé 17 flux de travail distincts combinant ces approches.

Ce qui s’est passé lorsque l’IA a joué le rôle d’un lecteur supplémentaire

Lorsque l’IA n’était pas d’accord avec la décision routinière de ne pas rappeler, des lecteurs seniors ont réexaminé ces mammographies. Sur 1 345 cas de ce type, 55 femmes ont été rappelées pour des examens complémentaires, et 11 cancers du sein supplémentaires ont été détectés, qui auraient autrement été manqués lors de cette visite. La plupart étaient des cancers invasifs, et beaucoup étaient relativement petits. Fait important, l’examen de ces cas supplémentaires était rapide : environ neuf sur dix ont été lus en moins d’une minute, similaire ou plus rapide qu’une lecture typique. Cela suggère que les lecteurs expérimentés ont pu utiliser efficacement les alertes de l’IA, confirmant les préoccupations réelles tout en écartant en toute confiance les modifications bénignes en les comparant aux images antérieures.

Comment le triage par l’IA peut alléger la charge

L’équipe a ensuite étudié comment l’IA pourrait remplacer en toute sécurité certaines secondes lectures humaines. Dans les flux de travail de « triage », lorsque le premier lecteur humain et l’IA étaient d’accord, cet accord faisait foi et un second lecteur n’était pas nécessaire pour ces cas. Dans les flux de « triage négatifs », ce raccourci n’était utilisé que lorsque les deux s’accordaient pour ne pas rappeler, ce qui évite des rappels supplémentaires tout en économisant du travail. Selon les seuils décisionnels fixés pour l’IA, ces stratégies simulées pouvaient réduire la charge totale de lecture d’environ un tiers à près de la moitié. Certaines versions diminuaient légèrement le nombre de cancers détectés, tandis que d’autres préservaient la détection des cancers et réduisaient même la proportion de femmes rappelées pour des examens complémentaires.

Trouver le meilleur équilibre pour chaque clinique

Le flux de travail principal privilégié par les auteurs combinait une configuration « triage négatifs » avec le rôle d’IA comme lecteur supplémentaire. Dans cette configuration, tous les cancers détectés par le dépistage de routine étaient encore repérés, plus les 11 cancers additionnels mis en évidence par l’IA. Cela a augmenté le taux de détection du cancer d’environ 10 % — soit à peu près un cancer supplémentaire pour 1 000 femmes dépistées — tout en maintenant le taux de rappel essentiellement inchangé et en réduisant la charge de travail humaine de lecture jusqu’à 31 %. D’autres flux testés offraient des compromis différents, comme des économies de charge de travail plus importantes et moins de faux positifs, au prix de manquer un petit nombre de cancers que le flux principal aurait détectés.

Ce que cela signifie pour le futur du dépistage du sein

Pour un non‑spécialiste, le message clé est que l’IA n’est pas destinée à remplacer les médecins dans le dépistage du sein, mais peut servir d’assistant flexible. Dans cette évaluation en conditions réelles, un système d’IA, utilisé avec prudence, a aidé à détecter davantage de cancers sans augmenter le nombre de femmes rappelées et tout en libérant une part notable du temps de lecture des experts. Parce que l’étude a exploré de nombreuses configurations possibles, les services de santé peuvent choisir l’option qui correspond le mieux à leurs besoins, qu’il s’agisse de maximiser la détection du cancer, de minimiser les rappels inutiles ou d’atténuer les pénuries de personnel. Des travaux supplémentaires dans d’autres régions, avec différents outils d’IA et un suivi plus long, seront nécessaires, mais cette étude montre qu’une intégration réfléchie de l’IA pourrait rendre le dépistage du sein à la fois plus précis et plus durable.

Citation: de Vries, C.F., Lip, G., Staff, R.T. et al. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nat Cancer 7, 484–493 (2026). https://doi.org/10.1038/s43018-026-01126-1

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