IA en dermatologie : triage des lésions pigmentées en soins primaires, où en est l’évidence ?
Les outils d’IA (vision par ordinateur) appliqués aux photos de lésions cutanées promettent d’aider le triage en médecine générale (qui adresser en urgence, qui surveiller). Sur le terrain, la question n’est pas « l’IA est-elle meilleure que le dermatologue ? », mais plutôt : peut-elle améliorer la décision en première ligne sans augmenter les retards diagnostiques ni les faux positifs ?
Ce que montrent les données
- De multiples études indiquent que certains algorithmes atteignent des performances proches d’experts sur des bases d’images, mais la transposition en conditions réelles est délicate (éclairage, cadrage, diversité des phototypes, lésions rares).
- Une revue systématique récente souligne que beaucoup d’études sont à risque de biais (sélection, comparaison à un standard imparfait, surreprésentation de mélanomes « évidents ») et que l’évidence en vie réelle reste limitée.
Points cliniques pragmatiques pour évaluer un outil de triage
- Population cible : soins primaires vs dermatologie. Les performances chutent souvent quand la prévalence de cancer est faible (effet sur la valeur prédictive positive).
- Phototypes et équité : vérifier la représentation des phototypes IV–VI et des localisations (acral, muqueux). Risque de sous-performance et de perte de chance.
- Standard de référence : histologie quand disponible ; sinon suivi documenté. Se méfier des labels « experts » seuls.
- Impact clinique : métriques orientées parcours (délai d’exérèse des mélanomes, nombre d’adressages/biopsies inutiles, réconsultations, anxiété).
- Intégration : l’outil doit s’insérer dans un protocole (ABCDE, “ugly duckling”, dermoscopie si disponible) et ne jamais remplacer l’examen clinique complet.
Question pour la communauté : si vous deviez piloter un déploiement en MG/centres de santé, quelles seraient vos exigences minimales (seuils de sensibilité, gouvernance des données, modalités de formation, audit) ?
Sources :
- Freeman K et al. Cochrane Database Syst Rev. 2020. IA pour le diagnostic du mélanome : limites méthodologiques et besoin d’études prospectives.
- Liu Y et al. Nature Medicine. 2020. Évaluation clinique d’un système IA pour le triage dermatologique (importance de la validation en conditions réelles).
- NICE Evidence Standards Framework for Digital Health Technologies (mise à jour) : exigences de preuves selon le niveau de risque.
4 commentaires
Le bon cadrage est bien celui du triage en soins primaires (sensibilité/NPV élevées, impact sur les délais et les flux), plus que la comparaison « IA vs dermatologue ». Côté évidence, les performances rapportées restent hétérogènes : beaucoup d’études sont rétrospectives, sur bases d’images de qualité, avec forte prévalence de mélanome et peu de cas “banals” de médecine générale, ce qui surestime souvent l’AUC. Les essais prospectifs en contexte réel, intégrant l’opérateur (smartphone, éclairage, dermoscopie vs clinique), sont encore relativement limités, et l’évaluation clinique doit porter sur des critères de parcours (réduction des referrals inutiles, maintien du taux de détection précoce, temps d’attente). Points clés récents : biais selon phototype et localisation, besoin de calibration et de seuils adaptés au triage, et importance des modèles “assisted decision” avec audit post-déploiement. En pratique, la valeur dépendra surtout de l’intégration (workflow, responsabilité, régulation MDR/CE, surveillance des dérives).
Sujet clé : en médecine générale, l’enjeu n’est pas de « battre » le dermatologue, mais d’aider à décider plus vite et plus juste. L’IA peut jouer le rôle d’un filtre, comme un tamis : laisser passer en priorité les lésions suspectes et éviter d’inquiéter inutilement pour les bénignes. Mais l’évidence doit regarder deux risques concrets : 1) rater un mélanome (faux négatif) et retarder le diagnostic, 2) envoyer trop de patients en urgence (faux positifs) et saturer la filière. Les résultats d’études sont prometteurs, mais tout dépend des conditions réelles : qualité des photos, diversité des peaux, lumière, appareil, et surtout intégration dans le parcours (qui prend la photo, quel seuil d’alerte, quelle conduite à tenir). L’IA utile sera celle qui améliore le triage sans créer de bouchons ni de « faux rassurés ».
Sujet très pertinent : le bon comparateur n’est pas le dermatologue expert, mais la décision réelle en soins primaires (médecin généraliste + contexte + accès au spécialiste). Pour juger l’IA de triage, l’enjeu est moins une AUC flatteuse que des métriques opérationnelles : sensibilité à seuil de sécurité, NPV pour « rassurer », calibration du risque, et impact sur les délais (time-to-excision / time-to-derm). Les études rétrospectives sur images cadrées sur-performent souvent des conditions terrain : photos hétérogènes, lésions non pigmentées, artefacts, diversité phototypes, prévalence plus faible (effet sur PPV). Il manque encore des essais prospectifs pragmatiques mesurant le flux (références, surcharge, coûts) et des analyses de biais/équité. La question clé : intégrer l’IA comme aide à la décision, avec garde-fous, traçabilité et parcours de rattrapage en cas de doute.
Le bon angle est celui du triage en soins primaires : l’enjeu n’est pas la performance « dermatologue vs IA », mais l’impact net sur le parcours (délais, sur-adressage, cancers manqués). À ce stade, l’évidence est encore hétérogène : beaucoup d’études sont rétrospectives, sur images sélectionnées, avec prévalence artificielle et sans vraie comparaison au flux réel de MG. Les métriques globales (AUC) masquent le point crucial : le réglage du seuil et les conséquences cliniques (faux négatifs = retard potentiellement grave ; faux positifs = engorgement). Il faut aussi intégrer la qualité de la photo, le phototype, la localisation, et le contexte clinique, souvent absents des datasets. Avant déploiement large : essais prospectifs en MG, analyses décisionnelles/cost-effectiveness, calibration par phototypes, et dispositif « IA + MG » avec filet de sécurité (règles d’alarme, relecture rapide).
Bon cadrage : en soins primaires, l’enjeu est une sensibilité/NPV élevées et un impact mesurable sur les délais, les orientations et la charge dermato, plutôt qu’un duel « IA vs dermatologue ». À ce stade, l’évidence reste fragile car très hétérogène : jeux d’images souvent rétrospectifs, sélectionnés et de qualité variable, avec risque de biais de spectre, manque de diversité (phototypes, âges, contextes de prise de vue) et endpoints parfois éloignés du workflow réel. Pour avancer, il faut des études prospectives pragmatiques en MG/centres de soins, comparant un triage assisté vs standard, avec mesures de sécurité (cancers manqués, retards) et de coût organisationnel (faux positifs, consultations/biopsies supplémentaires). Enfin, la calibration (seuils) et l’intégration au parcours (règles de décision, traçabilité, consentement) seront déterminantes.