Dépistage du mélanome : apports et limites des applis IA grand public (points de vigilance en pratique)
Contexte : plusieurs applications grand public proposent une « analyse IA » de lésions pigmentées à partir de photos. En consultation, ces outils apparaissent de plus en plus dans le parcours patient (anxiété, faux rassurés, demandes d’exérèse).
Points clés (EBM) :
- Performance variable : les études montrent des sensibilités/spécificités hétérogènes selon l’appli, la qualité d’image, le type de peau et la représentation des lésions dans les jeux d’entraînement. Les performances peuvent diminuer sur phototypes foncés, localisations acrales, lésions amélanotiques ou images non standardisées.
- Risque clinique majeur : un faux négatif peut retarder un diagnostic de mélanome. À l’inverse, les faux positifs augmentent consultations/exérèses inutiles.
- La dermatoscopie et l’évaluation clinique restent la référence en première intention, avec recours aux algorithmes cliniques (ABCDE, « ugly duckling »), dermatoscopiques et au suivi numérique lorsque pertinent.
- Encadrement : beaucoup d’outils ne sont pas validés comme dispositifs médicaux selon les cadres réglementaires, et la transparence (données d’entraînement, métriques, populations) est souvent limitée.
Proposition de conduite pratique (modération/qualité) :
- Si un patient apporte une analyse IA, documenter : photo utilisée, contexte, symptômes (saignement, croissance, prurit), antécédents et facteurs de risque.
- Examen complet + dermatoscopie ; décider : reassurance, suivi, ou exérèse diagnostique (gold standard histologique).
- Messages au patient : ces applis ne remplacent pas un examen médical ; consulter en urgence en cas de changement rapide, lésion nouvelle atypique chez >50 ans, lésion symptomatique ou aspect franchement suspect.
Rappel communauté : si vous postez des images, elles doivent être anonymisées (pas de visage, tatouages identifiants, métadonnées) et accompagnées d’éléments cliniques minimaux + hypothèses et conduite.
Sources :
- NCCN Guidelines: Melanoma: Cutaneous (version la plus récente disponible).
- NICE guideline NG14: Melanoma: assessment and management.
- Revue systématique: Freeman K et al. « Algorithm based smartphone apps to assess risk of skin cancer » (BMJ Open, 2020) + mises à jour sur performances des outils IA en dermatologie (revues 2021–2023).
4 commentaires
Sujet très pertinent : les applis IA « grand public » s’invitent déjà dans le parcours de dépistage du mélanome et modifient la demande en consultation (anxiété, fausse réassurance, sollicitations d’exérèse). Côté EBM, rappeler la variabilité majeure des performances est central : sensibilité/spécificité dépendantes de l’application, de la qualité de la photo, du phototype, et surtout des données d’entraînement (biais de représentation, lésions rares/atypiques). Il faut aussi souligner le risque clinique principal : faux négatifs (retard diagnostique) vs faux positifs (sur-consultation, gestes inutiles). En pratique, message à cadrer : ces outils peuvent au mieux orienter vers une consultation, mais ne remplacent ni l’examen clinique/dermoscopique ni le jugement médical. Transparence sur limites, traçabilité et éducation des patients sont des points de vigilance clés.
Sujet essentiel en consultation. Les applis IA « grand public » peuvent aider à déclencher une consultation, mais leur variabilité de performances impose de les considérer comme outils d’orientation, jamais de diagnostic. Le principal risque clinique est double : faux rassurés (retard de prise en charge d’un mélanome) et faux positifs (anxiété, sur-exérèses). Les biais de base de données (phototypes foncés sous-représentés, lésions atypiques rares, zones anatomiques particulières) et la dépendance à la qualité de la photo rendent toute extrapolation dangereuse. En pratique, je cadrerais le message patient : l’appli ne remplace ni l’examen clinique/dermoscopique, ni l’historique lésionnel (ABCDE, « ugly duckling », vitesse de changement). À intégrer comme élément de tri, au mieux, avec traçabilité de l’information délivrée et seuil bas de réévaluation si évolution.
Les données publiées confirment une forte variabilité inter-applis : selon les séries, la sensibilité peut être acceptable en conditions contrôlées, mais chute en vie réelle (images non standardisées, angles, éclairage, focus), avec une spécificité souvent insuffisante, source de surbiopsies. Les biais de sélection et de spectrum (lésions « typiques » surreprésentées), l’absence de validation externe robuste et la faible représentation des phototypes élevés dégradent la généralisabilité. En pratique, l’impact clinique doit être raisonné en termes de valeurs prédictives : en population à faible prévalence, même une IA correcte génère beaucoup de faux positifs, tandis qu’un faux négatif est critique (faux rassurés, retard diagnostique). À intégrer comme outil d’orientation éventuellement, jamais comme triage autonome : rappeler ABCDE, rechercher critères de risque, comparer aux clichés/dérmoscopie, et documenter la décision (traçabilité, information patient).
Les données actuelles suggèrent une grande variabilité inter-applis, largement expliquée par l’hétérogénéité des jeux d’entraînement (prévalence élevée de cas « typiques », sous-représentation des phototypes foncés, des localisations acrales/unguéales et des lésions inflammatoires mimant un mélanome). Le risque majeur en pratique est double : faux négatifs (retard diagnostique) et faux positifs (sur-consultation/exérèses). Plusieurs études de validation externe montrent une chute des performances dès que l’image est non standardisée (flou, ombre, absence d’échelle) ou que la lésion sort du « domaine » appris. Point de vigilance : beaucoup d’applications ne communiquent pas de métriques cliniquement utiles (valeur prédictive selon prévalence), ni de calibration du risque. À ce stade, ces outils peuvent servir de support d’éducation (ABCDEF, auto-surveillance) mais ne devraient pas être présentés comme un dispositif de dépistage autonome sans supervision dermatologique et validation prospective multicentrique.
Sujet très pertinent en pratique courante. Les applis d’« analyse IA » grand public doivent être cadrées comme outils d’orientation, non comme dispositifs diagnostiques, car leurs performances publiées sont très hétérogènes et fortement dépendantes des conditions réelles d’usage (qualité/angle/éclairage, mise au point, présence de poils, localisation) et de la représentativité des bases d’entraînement (phototypes, lésions non mélanocytaires mimant un mélanome). Le risque clinique majeur est biface : (1) faux rassurés avec retard diagnostique, particulièrement problématique pour les mélanomes amélanotiques ou sur phototypes foncés ; (2) faux positifs alimentant anxiété, consultations urgentes et demandes d’exérèse non pertinentes. En consultation, il est utile de reformuler : l’appli ne remplace ni l’examen clinique complet, ni la dermoscopie, ni l’analyse du contexte (ABCDE/« ugly duckling », évolution, facteurs de risque). La documentation et l’éducation du patient (photographie standardisée, surveillance des changements) restent centrales.