Le cancer de la peau, avec plus de 2 millions de cas recensés chaque année, est très répandu à l’échelle mondiale. Dans ce contexte, un dépistage précoce a un effet non négligeable sur les perspectives de guérison du patient. Pour accélérer les diagnostics du mélanome, la forme la plus dangereuse de cancer de la peau, des chercheurs de l’université du Missouri ont testé le rôle que pourrait jouer l’intelligence artificielle.  

Dans une étude publiée dans Biosensors and Bioelectronics: X, l’équipe présente ses travaux sur trois modèles d’apprentissage, basés sur l’analyse de photographie 3D du corps entier. Une base de données de plus de 400 000 images d'anomalies cutanées, dont des cas confirmés de mélanome, a été utilisée pour entraîner ces systèmes d’intelligence artificielle. De manière à améliorer la diversité des images, des transformations géométriques, des effets de flou ou des ajustements aléatoires de teinte, de contraste et de luminosité, ont été appliqués. Ces ajustements sont importants pour entraîner le modèle à gérer la variabilité de la qualité d'image, notamment celle capturée par smartphone, couramment utilisée en téléconsultation. L’objectif final était ainsi de créer des IA capables d’évaluer des motifs visuels subtils tels que la taille, la forme, la couleur, la densité et la netteté des anomalies pouvant indiquer un mélanome. 

Courbes ROC pour les modèles individuels et le modèle d'ensemble.

Chacun des trois modèles pris individuellement présentait une aire sous la courbe (AUC) de plus de 0,85. Cette valeur mesure sa capacité à classer les cas d’images cancéreuses et les cas bénins. Plus l’AUC se rapproche de 1, plus le classement est juste. Tandis que si l’AUC est proche de 0,5, on peut dire que le modèle trie aléatoirement les cas qui lui sont présentés. La véritable réussite réside dans la combinaison des trois qui atteint une précision de plus de 92%, des performances comparables à celles rapportées dans la littérature pour des dermatologues expérimentés. A titre de comparaison, les chercheurs ont évalué les performances d’autres modèles traditionnels dont les AUC ont été mesurées entre 0,719 et 0,777. L’apprentissage profond, qui a été appliqué dans cette étude, semble donc plus performant pour classer des images médicales. Pour encore améliorer les capacités de prédiction de ces systèmes, l’étude suggère de les entraîner sur des ensembles de données plus vastes, comprenant différents types d’éclairage, de couleur de peau, de pilosité ou d’angle de vue. 

Ce type d’outil pourrait devenir un assistant diagnostic automatisé pour la détection de mélanome à partir d’images de peau. Il pourrait permettre d’accélérer le dépistage des lésions suspectes avant consultation médicale, de fournir une deuxième opinion objective aux dermatologues et de réduire le nombre de cas mal classés ou non détectés. Il faudra encore du temps pour généraliser son utilisation auprès des médecins, notamment en expliquant les raisons pour lesquelles l’IA arrive à ses conclusions, assurant ainsi un climat de confiance.

Article rédigé par Manon Nicolaï

Source : 

Dandamudi EG et al. 2025. Performance of transformer-convolutional neural network ensemble for melanoma diagnosis on segmented 3D total body photography data: Cross-Validation stratified K-fold. Biosensors and Bioelectronics: X 27:100714. https://doi.org/10.1016/j.biosx.2025.100714