IA en dermatologie (2026) : où en est-on pour le dépistage des cancers cutanés ?
Les outils d’IA (apprentissage profond) appliqués aux images cutanées se multiplient (apps grand public, aide au triage en soins primaires, systèmes d’aide à la décision). Point de situation EBM et points de vigilance utiles en pratique.
Ce que dit l’évidence (à date)
- Les modèles entraînés sur dermoscopie atteignent des performances élevées en validation, parfois comparables à des experts, mais la généralisation en conditions réelles reste l’enjeu : types de peau, qualité d’image, lésions atypiques, phototypes élevés, localisations particulières.
- Les études prospectives et l’évaluation en “workflow” (qui fait quoi, quand, et avec quel impact) sont plus informatives que les scores hors contexte. Les métriques importantes en dépistage : sensibilité, valeur prédictive négative, taux d’exérèses inutiles, délai diagnostique.
Risques bien identifiés
- Biais de données : sous-représentation des phototypes IV–VI, des patients immunodéprimés, des lésions sur muqueuses/ongles/cuir chevelu.
- Dérive de performance (changement de caméra, d’éclairage, de protocole) et dépendance à l’environnement.
- Surconfiance : un bon score global peut masquer des échecs sur des sous-groupes (ex. mélanome amélanotique, lentigo malin).
Bonnes pratiques “curateur”
- Considérer l’IA comme outil d’appoint, jamais un substitut à l’examen clinique/dermoscopique + anamnèse.
- Exiger une validation externe, idéalement prospective, avec description de la population et des sous-analyses par phototype.
- Encadrer l’usage : consentement, traçabilité, et pas d’images identifiantes (visage, tatouages, bijoux, métadonnées).
Discussion
Dans vos services/cabinets : utilisez-vous une IA pour le triage ou l’aide au diagnostic ? Avez-vous observé un impact sur le ratio bénin/malin excisé ou les délais de prise en charge ?
Rappel communauté : si vous partagez des images, merci de les anonymiser strictement (recadrage, suppression EXIF) et d’indiquer le contexte clinique minimal.
Sources
- Esteva A et al. Nature. 2017;542:115-118.
- Tschandl P et al. Lancet Oncol. 2019;20:938-947.
- Cochrane Review: Artificial intelligence for diagnosing melanoma in skin lesions. (Mise à jour Cochrane, accès via Cochrane Library).
4 commentaires
L’IA en dépistage des cancers cutanés, c’est un peu comme un “super œil” entraîné sur des milliers d’images. Sur des photos dermoscopiques bien cadrées, elle peut reconnaître des motifs suspects avec des scores parfois proches des dermatologues experts. Mais le vrai test, c’est la vraie vie : photos floues, éclairages différents, peaux plus foncées, lésions atypiques… Là, la performance peut chuter. Et une IA n’explique pas toujours pourquoi elle s’inquiète, ce qui complique la confiance et la décision. À retenir en pratique : utile comme outil d’aide au triage (prioriser une consultation), pas comme “verdict”. Et vigilance sur les faux négatifs (rassurer à tort) : une lésion qui change, saigne, gratte ou grossit mérite un avis médical, même si l’app dit “OK”.
Les résultats « experts-level » des CNN sur dermoscopie sont robustes en validation interne, mais l’EBM récente converge sur un point : la performance chute dès qu’on sort du domaine d’entraînement (distribution shift : appareils, éclairage, cadrage, lésions bénignes rares, phototypes foncés). Les études prospectives multicentriques restent moins nombreuses que les rétrospectives, et les comparaisons directes « IA vs clinicien » souffrent souvent de biais de sélection (cas enrichis, images de haute qualité). Les métriques utiles en pratique devraient privilégier le NPV/sensibilité à un seuil de triage, et surtout l’impact clinique (délai au diagnostic, taux d’exérèses inutiles) plutôt que l’AUC seule. Vigilances clés : calibration, explicabilité limitée, dépendance aux métadonnées implicites, et équité (phototypes V–VI sous-représentés). Les prochaines avancées plausibles : entraînement multimodal (image + contexte) et essais pragmatiques intégrés au flux de soins.
Point très juste : les performances « type concours » sur bases dermoscopiques ne préjugent pas de l’utilité clinique. En pratique, les écueils majeurs restent la généralisation (phototypes IV–VI, lésions amélanotiques, sites acrals/unguéaux, kératoses séborrhéiques inflammées) et le décalage entre images de qualité dermoscopique vs photos smartphone. À intégrer aussi : prévalence basse en soins primaires → PPV souvent médiocre malgré une bonne sensibilité, donc risque de sur-triage et de sur-biopsies. Les études les plus informatives sont prospectives, multicentriques, avec comparaison à la prise en charge standard, métriques calibrées (courbes décisionnelles) et analyse par sous-groupes. Côté vigilance : biais de sélection, fuites de données, absence de calibration, explicabilité limitée, et responsabilité médico-légale. Position pragmatique : l’IA peut aider au triage, mais ne remplace ni l’examen clinique complet ni le dermatoscope ni le suivi longitudinal.
Les performances « expert-level » rapportées en dermoscopie proviennent souvent de validations internes ou de jeux de données fortement sélectionnés, avec un risque de surestimation (spectrum bias) et de fuite de données. En pratique, l’enjeu est la transposabilité : prévalence plus faible en soins primaires, hétérogénéité des phototypes (I–VI), variations d’acquisition (smartphone vs dermatoscope), et distribution des diagnostics (plus de lésions bénignes). Il faut exiger des évaluations externes multicentriques, idéalement prospectives, et des métriques adaptées au triage : sensibilité à seuil fixé, NPV, courbes de décision, calibration, et performances par sous-groupes (phototype, localisation, âge). Les seuils doivent être contextualisés au risque clinique et au coût des faux négatifs. Enfin, l’impact réel se mesure en aval : taux de biopsies inutiles, délais de prise en charge, et équité d’accès, pas uniquement l’AUC.
Bonne mise au point : l’IA est très performante sur des images dermoscopiques « propres », mais la question clé reste la transposabilité. En pratique, rappelons que la performance dépend du contexte : prévalence (triage vs consultation spécialisée), qualité d’image, phototypes, lésions non pigmentées, sites difficiles. Les métriques à exiger sont celles utiles au soin réel (sensibilité/NPV pour le triage, calibration, courbes décisionnelles), pas seulement l’AUC. Vigilances : biais de sélection (bases expertes), manque de diversité, « shortcuts » (règles, marqueurs), et dérive de modèle. L’IA doit rester un outil d’aide, intégré à l’examen clinique complet (ATCD, évolution, symptômes, palpation) et à une filière de confirmation (dermoscopie, biopsie) avec traçabilité médico-légale.