Précision diagnostique, équité et mise en œuvre clinique de l’IA pour le dépistage du cancer du sein : résultats d’études techniques multicentriques rétrospectives et prospectives de faisabilité

Dépistage plus intelligent pour toutes les femmes

Le dépistage du cancer du sein sauve des vies, mais il pèse aussi sur les systèmes de santé et peut manquer des cancers ou provoquer des faux positifs stressants. Cette étude pose une question simple aux implications majeures : un programme d’intelligence artificielle (IA) peut‑il aider en toute sécurité à interpréter les mammographies dans le cadre du programme national britannique, en détectant davantage de cancers dangereux tout en allégeant la charge des spécialistes surchargés — et en le faisant de manière équitable pour des femmes de divers horizons ?

Comment fonctionne le dépistage aujourd’hui

Dans de nombreux pays, y compris le Royaume‑Uni, les femmes âgées de 50 à 70 ans sont invitées à des mammographies régulières. Au Royaume‑Uni, chaque examen est généralement lu de manière indépendante par deux experts humains ; en cas de désaccord, un comité revoit le dossier. Ce système de double lecture vise la sécurité, mais il est chronophage et dépend d’un nombre suffisant de lecteurs formés — ce qui fait défaut dans de nombreux systèmes de santé. Les premiers outils informatiques apportaient une aide limitée et parfois plus de bruit que de clarté, de sorte que les autorités sanitaires exigent aujourd’hui des preuves solides avant de faire confiance aux IA modernes au sein des programmes nationaux.

Tester l’IA dans des cliniques réelles

Les chercheurs ont évalué la version mise à jour de l’IA de mammographie de Google en deux phases majeures au sein du National Health Service britannique. Premièrement, ils ont fait fonctionner le système sur près de 116 000 examens de dépistage passés provenant de cinq régions différentes, en suivant les femmes pendant plus de trois ans pour voir quels cancers sont réellement apparus. Ils ont ensuite comparé les performances de l’IA à celles du premier lecteur humain, du second lecteur et de la décision finale du comité. Dans une seconde phase, ils ont discrètement installé l’IA dans 12 centres de dépistage et l’ont laissée traiter plus de 9 000 nouveaux examens en temps réel — sans influencer la prise en charge — afin d’étudier son comportement en pratique courante et la nécessité d’ajuster ses paramètres.

Ce que l’IA a vu — et ce qu’elle a détecté

Sur l’importante base de données rétrospective, l’IA s’est montrée plus sensible que le premier lecteur humain : elle a détecté davantage de cancers au global tout en maintenant son taux de faux positifs dans une marge de sécurité prédéfinie. Si elle avait été utilisée comme l’un des lecteurs dans le flux de double lecture, le système aurait augmenté le taux de détection de cancer d’environ 7,5 à 9,3 cancers pour 1 000 femmes, et il a correctement signalé un cancer sur quatre qui avait été initialement manqué et découvert plus tard, soit entre deux dépistages soit lors de la visite suivante. Les gains étaient particulièrement marqués chez les femmes venues pour leur première mammographie — en général le groupe le plus difficile à interpréter en l’absence d’images antérieures. Lors de ces premières visites, l’IA rappelait moins de femmes tout en détectant légèrement plus de cancers, en particulier des tumeurs invasives qui constituent la menace la plus importante.

Équité, charge de travail et obstacles réels

L’équipe a examiné attentivement si l’IA traitait équitablement les différents groupes de femmes. Selon l’âge, la densité mammaire, le statut socio‑économique et les données d’ethnicité limitées disponibles, ils n’ont pas observé de signes cohérents de biais néfaste : sensibilité et spécificité restaient dans des marges étroites par rapport aux lecteurs humains, bien que certains très petits sous‑groupes présentent une grande incertitude. Ils ont aussi modélisé l’impact de l’utilisation de l’IA comme second lecteur sur l’organisation du travail. Le nombre de lectures humaines avant révision par le comité pourrait diminuer de presque moitié, réduisant le temps de lecture humain d’environ un tiers, même si davantage de cas seraient escaladés au comité. Dans la phase de faisabilité en conditions réelles, l’IA a livré des résultats en quelques minutes — bien plus rapidement que la lecture humaine habituelle — mais l’équipe a constaté un décalage entre l’apparence des images récentes et les données d’entraînement plus anciennes. Un seuil de fonctionnement initial s’est avéré trop sensible, provoquant des taux de rappel plus élevés, et a dû être recalibré à la baisse en utilisant des données locales récentes.

Construire un système de dépistage prêt pour l’IA

Au‑delà de la précision, l’étude a mis en lumière des obstacles pratiques au déploiement sûr. De nombreux centres de dépistage s’appuient encore sur des formulaires papier et des logiciels anciens incapables de stocker automatiquement les résultats de l’IA ou d’expliquer pourquoi un examen a été rappelé — des fonctionnalités dont ont besoin les régulateurs et les cliniciens. Les auteurs soutiennent que des flux de travail entièrement numériques et standardisés et une meilleure collecte des données démographiques seront cruciaux pour surveiller la performance et l’équité sur le long terme. Ils insistent également sur le fait que les seuils d’IA ne peuvent pas être « réglés et oubliés » : les équipements d’imagerie, le comportement des lecteurs et la composition de la population évoluent, de sorte que le système doit être contrôlé et ajusté en continu, avec des règles nationales claires et un support technique.

Ce que cela signifie pour les patientes

Les résultats suggèrent qu’un système d’IA déployé avec précaution pourrait aider les programmes nationaux de dépistage du cancer du sein à repérer plus tôt les cancers les plus graves, en particulier chez les femmes venant pour leur première mammographie, tout en réduisant la charge de travail des spécialistes surchargés. Pourtant, les auteurs soulignent que la réussite dépend de plus qu’un algorithme précis. Les services de santé auront besoin d’un étalonnage continu, d’une surveillance rigoureuse des dérives et des biais, d’une infrastructure informatique modernisée et d’une intégration réfléchie dans les flux de travail humains existants. Avec ces garde‑fous, l’IA pourrait devenir un lecteur supplémentaire de confiance qui améliore à la fois l’efficacité et l’équité du dépistage du cancer du sein plutôt qu’une boîte noire ajoutant de nouveaux risques.

Citation: Kelly, C.J., Wilson, M., Warren, L.M. et al. Diagnostic accuracy, fairness and clinical implementation of AI for breast cancer screening: results of multicenter retrospective and prospective technical feasibility studies. Nat Cancer 7, 494–506 (2026). https://doi.org/10.1038/s43018-026-01127-0

Mots-clés: dépistage du cancer du sein, intelligence artificielle médicale, mammographie, équité en santé, mise en œuvre clinique