Une IA prête à l'emploi reconnaît 18 types de cancer à partir de quelques lames seulement.

infohightech ·

Le système PRET offre une solution intégrée pour de multiples tâches de diagnostic en pathologie, notamment le dépistage du cancer, le sous-typage tumoral, la segmentation tumorale et la détection des métastases ganglionnaires. Crédit : Nature Cancer (2026). DOI : 10.1038/s43018-026-01141-2

Une équipe de recherche de l'Université des sciences et technologies de Hong Kong (HKUST) a mis au point un système d'analyse pathologique par intelligence artificielle (IA) novateur, capable de reconnaître avec précision plusieurs types de cancer à partir d'un nombre minimal d'échantillons et sans formation préalable. Cette avancée majeure améliore considérablement la flexibilité et l'efficacité des soins médicaux assistés par l'IA et représente un pas de géant vers la généralisation de l'anatomopathologie intelligente.

Chaque année, près de 20 millions de nouveaux cas de cancer sont diagnostiqués dans le monde, l'examen anatomopathologique jouant un rôle crucial dans le diagnostic clinique et les décisions thérapeutiques. Cependant, face à une grave pénurie mondiale de pathologistes, la communauté médicale a un besoin croissant de solutions innovantes pour améliorer l'efficacité des analyses anatomopathologiques. Si l'intelligence artificielle recèle un grand potentiel pour l'automatisation des diagnostics anatomopathologiques, son déploiement pratique reste freiné par de nombreux obstacles.

Les modèles d'IA classiques nécessitent généralement la collecte et l'entraînement de dizaines de milliers d'images et de jeux de données pathologiques pour chaque type de cancer ou tâche diagnostique spécifique, ce qui engendre des cycles de développement longs et des coûts importants en ressources informatiques et humaines. De plus, les modèles pathologiques fondamentaux existants manquent souvent de généralisation, ce qui exige un ajustement fin et complexe lorsqu'ils sont appliqués à différents types de tumeurs en situation clinique réelle, limitant ainsi leur déploiement et leur adoption, notamment dans les régions aux ressources limitées.

Pour relever ces défis, une équipe de recherche dirigée par le professeur Li Xiaomeng, professeur adjoint au département de génie électronique et informatique et directeur associé du Centre d'imagerie et d'analyse médicale de l'Université des sciences et technologies de Hong Kong (HKUST), en collaboration avec l'hôpital populaire provincial du Guangdong et la faculté de médecine de Harvard, a mis au point un nouveau système d'analyse pathologique nommé PRET (Pan-cancer Recognition without Example Training). Ces travaux de recherche sont publiés dans la revue Nature Cancer.

Ce système est le premier à introduire le concept d’« apprentissage en contexte » issu du traitement automatique du langage naturel dans l’analyse d’images pathologiques. Il permet au modèle de s’adapter instantanément à de nouveaux types de cancers et d’effectuer des tâches diagnostiques, telles que le dépistage, le sous-typage et la segmentation tumorale, dès la phase d’inférence, en se référant à seulement une à huit lames tumorales annotées. Fonctionnant comme un outil de diagnostic intelligent « prêt à l’emploi », PRET s’affranchit fondamentalement du besoin de réglages précis spécifiques à chaque tâche, contrairement aux modèles d’IA traditionnels.

L'équipe de recherche a procédé à une validation complète du système PRET à l'aide de 23 jeux de données de référence internationaux provenant d'établissements médicaux de Chine continentale, des États-Unis et des Pays-Bas, couvrant 18 types de cancer et diverses tâches diagnostiques. Les résultats ont montré que le système surpassait les méthodes existantes dans 20 tâches, son aire sous la courbe (AUC) – une mesure de la précision diagnostique – dépassant 97 % dans 15 d'entre elles.

Notamment, PRET a atteint une AUC de 100 % pour le dépistage du cancer colorectal et une AUC de 99,54 % pour la segmentation des tumeurs du carcinome épidermoïde de l'œsophage. Dans la tâche particulièrement complexe de la détection des métastases ganglionnaires , PRET a atteint une AUC d'environ 98,71 % avec seulement huit lames histologiques, surpassant ainsi les performances moyennes de 11 pathologistes (AUC moyenne d'environ 81 %). De plus, PRET a démontré une généralisabilité stable et robuste à différentes populations et régions, avec des niveaux de ressources médicales variables.

L'équipe de recherche a validé de manière exhaustive le système PRET à l'aide de 23 jeux de données de référence internationaux provenant d'institutions médicales en Chine, aux États-Unis et aux Pays-Bas, couvrant 18 types de cancer et diverses tâches diagnostiques. Crédit : Nature Cancer (2026). DOI : 10.1038/s43018-026-01141-2

Le professeur Li Xiaomeng a déclaré : « La principale valeur du système PRET réside dans sa capacité à lever les obstacles traditionnels liés au traitement massif des données et à la formation répétitive, permettant ainsi l’application de systèmes d’anatomopathologie basés sur l’IA dans des contextes cliniques réels, à moindre coût et avec une plus grande flexibilité. Ceci contribue non seulement à alléger la charge de travail des pathologistes, mais a également le potentiel d’améliorer l’accès au diagnostic du cancer dans les régions mal desservies. »

« Grâce à ce système « prêt à l’emploi », nous espérons que des services de diagnostic avancés et précis, basés sur l’IA, pourront transcender les contraintes géographiques et de ressources, favorisant ainsi l’équité en matière de soins de santé à l’échelle mondiale. »

Pour l'avenir, l'équipe de recherche prévoit d'améliorer encore les performances diagnostiques du système et d'étendre ses applications à des tâches cliniques supplémentaires, telles que la prédiction des mutations génétiques et l'évaluation du pronostic des patients, ouvrant ainsi de nouvelles perspectives pour l'avenir du diagnostic pathologique piloté par l'IA.

https://hkust.edu.hk/news/hkust-develops-novel-ai-pathology-system-accurate-multi-cancer-diagnosis-without-additional

Cet article vous a été utile ? Partagez-le.