Focus EUSOBI : l'IA transforme les mammographies de routine en prévisions du risque de cancer du sein à court terme—redéfinissant qui bénéficie d'un dépistage supplémentaire et quand

L'intelligence artificielle commence à changer ce qu'une mammographie peut faire. Elle peut estimer le risque de cancer du sein à court terme, et pas seulement détecter des tumeurs.

Lors de la réunion scientifique annuelle de la European Society of Breast Imaging (EUSOBI) à Aberdeen, en Écosse, des chercheurs ont présenté de nouvelles preuves. La réunion s'est tenue avec la British Society of Breast Radiology.

Pour le Maroc, c'est une voie réaliste. La mammographie fait déjà partie des soins de routine dans de nombreux sites. La question est de savoir comment transformer les images en meilleures décisions, en toute sécurité.

Points clés

• L'IA peut transformer des mammographies de routine en scores de risque à court terme qui orientent l'imagerie complémentaire et un suivi plus précoce.

• Les modèles de risque traditionnels sont difficiles à appliquer de manière cohérente et passent souvent à côté des cancers d'intervalle.

• Les essais cliniques et des recommandations claires constituent le principal frein au déploiement.

• Le Maroc peut piloter des outils de risque basés sur l'imagerie, mais doit investir dans la gouvernance, la validation et la communication avec les patientes.

De la détection à la prévision du risque à court terme

Le dépistage à intervalle fixe est simple, mais il est peu ciblé. Il peut sur-dépister certaines femmes et en sous-dépister d'autres.

Mikael Eriksson (Karolinska Institutet) plaide pour un horizon temporel plus resserré. Le modèle vise une fenêtre cliniquement actionnable, pas une probabilité sur l'ensemble de la vie.

S'il est validé, le même examen de mammographie fournit deux sorties. La première est le compte rendu du radiologue. La seconde est un score de risque qui peut déclencher un parcours différent.

Pourquoi les modèles de risque traditionnels peinent dans les cliniques réelles

Les modèles traditionnels utilisent l'âge, les antécédents familiaux et d'autres données cliniques. Ils peuvent être bien calibrés pour de grandes classes de risque populationnel.

Eriksson soutient qu'ils échouent en dépistage de routine parce que les données d'entrée sont manquantes ou incomplètes. Il met aussi en garde contre des performances inégales selon les sous-groupes ethniques, ce qui peut créer des biais.

Selon lui, les principales frictions sont pratiques, pas théoriques. Les problèmes clés incluent :

• Faible adoption dans les programmes de dépistage réels.

• Forte dépendance aux antécédents familiaux plutôt qu'au risque global.

• Difficulté à recueillir des informations complètes pendant les soins de routine.

• Mauvaise identification des femmes qui développent ensuite des cancers d'intervalle.

Au Maroc, ces frictions peuvent être amplifiées par des dossiers fragmentés et la pression temporelle. Les signaux issus de l'imagerie pourraient réduire la dépendance à des questionnaires parfaits.

L'approche IA : utiliser la mammographie deux fois

L'équipe d'Eriksson vise à réutiliser l'infrastructure de mammographie existante pour l'évaluation du risque. L'objectif est de prédire le risque dans une fenêtre à court terme qui modifie la prise en charge.

En pratique, les services de dépistage pourraient entreprendre trois actions. Chacune nécessite un protocole clair et une planification des capacités :

• Proposer une imagerie complémentaire aux femmes à plus haut risque.

• Raccourcir l'intervalle de suivi lorsque cela est approprié.

• Réduire les prédictions de risque faussement positives par rapport à des règles plus grossières.

Ce n'est pas une décision clé en main. Les workflows doivent définir des seuils, des orientations et des responsabilités. Sans cela, un score devient du bruit.

Cancers d'intervalle : les cas difficiles que l'IA vise à repérer plus tôt

Les cancers d'intervalle sont diagnostiqués entre deux cycles de dépistage programmés. Eriksson a noté qu'ils représentent environ 15–45% des cancers du sein.

Une stratégie de prédiction sur une fenêtre étroite est conçue pour réduire cette part. Elle accepte que des rappels supplémentaires puissent survenir, et que les effets indésirables doivent être gérés.

Pour le Maroc, les cancers d'intervalle se croisent aussi avec la logistique du suivi. Des rendez-vous manqués et une imagerie retardée peuvent transformer le risque en détection tardive. Un système de rappel guidé par le risque peut aider, mais seulement si les obstacles d'accès sont levés.

Densité, biais et facteurs de confusion

La densité mammaire augmente le risque et rend la lecture plus difficile. Un tissu dense peut masquer des tumeurs en mammographie.

Eriksson a rapporté que le modèle IA détecte les femmes à haut risque indépendamment de la densité mammaire. Il a aussi soutenu qu'il surpasse les règles fondées uniquement sur la densité pour un dépistage de précision.

La présentation a également insisté sur les facteurs de confusion. L'IA peut apprendre des raccourcis liés à l'équipement, aux pratiques du site ou à la composition de la population.

Plusieurs modèles de risque basés sur l'imagerie sont désormais validés dans de multiples contextes de dépistage, avec des résultats prometteurs. Mais la calibration et le suivi locaux restent importants.

L'étape manquante avant un déploiement large : essais, recommandations et confiance

Le principal obstacle, selon Eriksson, est l'existence de recommandations cliniques étayées par des essais. De bonnes performances de modèle ne suffisent pas à elles seules.

Les essais doivent mesurer les résultats, pas seulement le nombre de détections. Les principaux critères de jugement incluent :

• Taux de cancers d'intervalle et stade au diagnostic.

• Charge de rappels et faux positifs.

• Effets sur la participation, l'anxiété et la confiance.

Les recommandations devraient aussi couvrir la communication avec les patientes. Les scores de risque changent la façon dont les personnes perçoivent leur santé. Au Maroc, la communication doit fonctionner dans des contextes arabophones, francophones et amazighs.

À quoi pourrait ressembler un pilote de risque IA au Maroc

Un pilote marocain peut commencer petit et rester rigoureux. Utiliser quelques sites, un seul workflow et des critères de jugement clairs. N'étendre qu'après des résultats prospectifs.

Usages pratiques adaptés aux services marocains

• Sélection basée sur le risque pour une échographie complémentaire lorsque c'est cliniquement justifié.

• Intervalles de suivi plus courts en cas de risque élevé à court terme, avec des règles prédéfinies.

• Secondes lectures priorisées pour les examens signalés comme présentant un risque plus élevé.

Là où les startups IA marocaines peuvent aider

• Intégrer l'IA aux PACS et au reporting, avec un minimum de clics pour les radiologues.

• Construire des outils de désidentification, de consentement et d'audit pour des jeux de données d'imagerie.

• Fournir des tableaux de bord de suivi de la dérive (drift) entre appareils et hôpitaux.

Actions gouvernementales qui débloquent le passage à l'échelle

Le Maroc dispose déjà d'un cadre de protection des données. La Loi 09-08 et la CNDP encadrent la manière dont les données de santé peuvent être traitées et partagées.

Au-delà de la confidentialité, quelques mesures de politique publique peuvent accélérer une adoption sûre :

• Créer un protocole national d'évaluation de l'IA en radiologie, incluant des contrôles de biais et de calibration.

• Financer des pilotes prospectifs via les hôpitaux publics, avec une publication transparente des résultats.

• Définir des règles d'achat qui exigent des revues de sécurité, des droits d'audit et une responsabilité clinique claire.

• Soutenir la formation des cliniciens et des ingénieurs sur l'utilisation de l'IA, ses limites et la communication.

Au-delà du dépistage : la prédiction de la réponse est prometteuse, mais encore précoce

Dr Ritse Mann (Radboud University Medical Center / Netherlands Cancer Institute) s'est concentré sur l'IA pour la prédiction de la réponse et le diagnostic. Il y voit une opportunité en or, mais aussi un chantier clairement en cours.

L'IA basée sur l'imagerie pourrait améliorer la prédiction de la pCR (réponse complète pathologique) par rapport aux seules caractéristiques cliniques. Mann a décrit l'effet, jusqu'à présent, comme modeste.

Si les preuves se consolident, les implications sont importantes. Parmi les possibilités à fort impact :

• Une meilleure sélection de schémas thérapeutiques moins toxiques.

• Une IA d'imagerie post-traitement qui aide à identifier qui pourrait éviter la chirurgie ou la radiothérapie.

• Des alertes plus précoces pour les patients susceptibles d'avoir besoin de soins plus intensifs.

Pour le Maroc, ce sont des objectifs à moyen terme. Ils dépendent d'une imagerie cohérente, du suivi des résultats et de parcours d'oncologie multidisciplinaires.

Une trajectoire prudente vers l'impact

La prévision du risque à court terme basée sur l'IA pourrait rendre le dépistage du cancer du sein plus adaptatif. Elle pourrait allouer l'imagerie complémentaire à celles qui ont le plus de chances d'en bénéficier, et réduire les cancers d'intervalle.

Le Maroc peut se préparer dès maintenant avec des pilotes, une gouvernance et une validation locale. L'objectif est d'obtenir des résultats mesurables et une confiance durable, pas de la nouveauté.