Une IA « plug-and-play » reconnaît 18 types de cancer à partir de quelques lames

La plupart des outils d’IA médicale partagent une limite tenace : ils sont entraînés pour une tâche précise dans un hôpital précis, et les transférer vers un nouvel établissement, système d’imagerie ou population de patients impose généralement de les réentraîner de zéro. Cette fragilité explique en partie pourquoi de puissants modèles de diagnostic atteignent rarement les cliniques qui en ont le plus besoin. Un système décrit dans Nature Cancer en avril 2026 adopte une autre approche.

Baptisé PRET, le système a été conçu par une équipe de recherche dirigée par la professeure Li Xiaomeng, de l’Université des sciences et technologies de Hong Kong, en collaboration avec l’hôpital populaire provincial du Guangdong et la faculté de médecine de Harvard. Son idée centrale est empruntée aux modèles de langage qui animent les agents conversationnels modernes : « l’apprentissage en contexte ». Au lieu d’être affiné pour chaque nouvelle tâche, PRET s’adapte à la volée en examinant seulement une à huit lames d’exemple annotées d’un type de cancer qu’il n’a jamais vu — un peu comme une personne apprend une nouvelle catégorie à partir de quelques exemples.

“Cette fragilité explique en partie pourquoi de puissants modèles de diagnostic atteignent rarement les cliniques qui en ont le plus besoin.”

La performance a tenu lors d’une évaluation exigeante couvrant 18 types de cancer et 23 jeux de données de référence internationaux issus d’établissements de Chine continentale, des États-Unis et des Pays-Bas. L’aire sous la courbe de PRET — mesure standard de précision diagnostique — a dépassé 97 % sur 15 tâches, atteignant 100 % pour le dépistage du cancer colorectal et 99,54 % pour la segmentation du carcinome épidermoïde de l’œsophage. Pour la détection de métastases ganglionnaires, il a obtenu une AUC d’environ 98,71 % avec seulement huit lames de référence, dépassant la moyenne de 11 pathologistes, dont l’AUC avoisinait 81 %.

La valeur pratique tient précisément à cette souplesse. Un unique système adaptable, qu’un hôpital peut orienter vers un nouveau type de cancer sans coûteux projet de réentraînement, pourrait mettre un soutien de pathologie de niveau expert à la portée de laboratoires plus modestes et de régions comptant peu de pathologistes spécialisés. Plutôt que de remplacer les pathologistes, un tel outil pourrait prendre en charge le dépistage de routine et signaler les cas difficiles à l’examen humain, libérant les experts là où leur jugement compte le plus.

Comme pour tout résultat de référence, le passage au diagnostic quotidien exigera une validation prospective dans de vrais parcours cliniques et une surveillance attentive pour garantir que l’outil se comporte équitablement selon les populations et les méthodes de préparation des tissus. Mais la philosophie de conception est discrètement importante : une IA qui apprend à partir de quelques exemples, plutôt que d’exiger une montagne de données propres à chaque établissement, est exactement le type d’outil susceptible d’atteindre les lieux où les soins manquent le plus.