L’intelligence artificielle prend une place croissante en dermatologie. Des appareils permettent aujourd’hui de photographier l’ensemble de la peau, de repérer des lésions nouvelles ou modifiées et, pour certains, d’analyser une lésion afin d’en évaluer le caractère suspect.
IA et dépistage des cancers de la peau : que détectent vraiment les nouveaux appareils
Ces innovations constituent une avancée importante pour le dépistage des cancers cutanés et de leur et la surveillance. Mais elles entretiennent aussi une certaine confusion.
Cartographier la peau, repérer une nouvelle lésion et analyser par intelligence artificielle la probabilité qu’une lésion soit cancéreuse sont trois choses différentes.
De même, dépister le mélanome et dépister l’ensemble des cancers cutanés ne sont pas synonymes. Une grande partie des systèmes de cartographie et des algorithmes développés ces dernières années ont été conçus principalement autour des lésions pigmentées et du mélanome.
Or les autres cancers cutanés, carcinomes basocellulaires et épidermoïdes, présentent des aspects cliniques très différents de ceux d’un mélanome.
Que savent donc réellement faire les appareils disponibles aujourd’hui ? Quelles sont leurs limites ? Et surtout, quelle place doit conserver le dermatologue dans l’interprétation de leurs résultats ?
Mélanome et cancers cutanés : une distinction indispensable
Le mélanome ne représente qu’un type de cancer de la peau
Le mélanome se développe à partir des mélanocytes, les cellules responsables de la pigmentation cutanée. Moins fréquent que les carcinomes cutanés, il est potentiellement beaucoup plus agressif en raison de sa capacité à métastaser.
Le carcinome basocellulaire (CBC) et le carcinome épidermoïde (CE) se développent à partir des kératinocytes. Ils représentent la grande majorité des cancers cutanés.
Leur aspect clinique diffère de celui d’un mélanome : lésion rosée, croûte persistante, petite plaie qui ne cicatrise pas, lésion kératosique ou ulcérée, par exemple.
Pourquoi l’IA dermatologique s’est-elle d’abord développée autour du mélanome ?
Une part importante des premiers travaux d’intelligence artificielle appliquée au cancer cutané a porté sur l’analyse d’images de lésions pigmentées.
Les algorithmes ont notamment appris à reconnaître certaines caractéristiques présentes sur des photographies cliniques ou des images du dermatoscope afin de différencier des lésions mélanocytaires bénignes de lésions suspectes de mélanome.
La photographie corporelle totale s’est également développée principalement chez les patients présentant de nombreux nævus ou un risque élevé de mélanome.
Une revue systématique et méta-analyse publiée dans le British Journal of Dermatology en 2021 a ainsi étudié spécifiquement la photographie corporelle totale pour la détection du mélanome chez l’adulte.
Il est donc important de ne pas extrapoler automatiquement les performances obtenues dans le dépistage du mélanome à l’ensemble des cancers cutanés.
Une IA performante pour le mélanome ne dépiste pas nécessairement les carcinomes
Une revue systématique publiée en 2024 dans Dermatologic Surgery, portant sur 232 études, s’est intéressée aux algorithmes entraînés pour le mélanome, le carcinome basocellulaire et le carcinome épidermoïde. Malgré des performances globales prometteuses, les auteurs soulignent notamment le manque de validation externe ainsi que la sous-représentation du carcinome épidermoïde et des peaux de couleur dans les bases de données.
Une autre revue systématique, publiée en 2024 dans Cancers, a analysé 44 études consacrées à l’IA et aux cancers cutanés non mélanocytaires. Les auteurs concluent à des résultats encourageants, mais insistent sur l’hétérogénéité des études et sur le fait que de nombreux jeux de données associent encore carcinomes, mélanomes et autres lésions pigmentées.
Cartographie, détection d’un changement et analyse par IA : trois fonctions différentes
Les nouveaux appareils utilisés en dermatologie peuvent réaliser des tâches très différentes. Les confondre conduit facilement à surestimer leurs capacités.
Cartographier la peau
La cartographie cutanée consiste à réaliser des photographies standardisées et reproductibles de la surface de la peau. Les systèmes professionnels les plus avancés, comme VECTRA WB360, FotoFinder ATBM Master ou le robot Swan™, utilisent notamment la lumière polarisée pour l’acquisition des images cutanées. La polarisation réduit les reflets de surface et améliore la visualisation de certaines structures et lésions cutanées.
Elle permet au dermatologue de disposer d’un état de référence de la peau du patient : localisation des grains de beauté, des lésions pigmentées et des autres anomalies visibles.
Certains systèmes utilisent des photographies en deux dimensions ; d’autres construisent une représentation tridimensionnelle du corps.
Cette cartographie peut être particulièrement utile chez les patients présentant de nombreux nævus ou un risque élevé de mélanome.
Mais obtenir une cartographie de haute qualité, y compris en lumière polarisée, ne signifie pas que l’appareil pose un diagnostic. Photographier une lésion, détecter son apparition ou sa modification et déterminer sa nature cancéreuse sont trois fonctions différentes.
Repérer une lésion nouvelle ou modifiée
C’est l’un des apports majeurs des systèmes modernes de cartographie.
Lorsque les photographies sont standardisées et reproductibles, un logiciel peut comparer deux examens réalisés à plusieurs mois ou années d’intervalle.
Il peut ainsi attirer l’attention sur une lésion qui n’existait pas lors du précédent examen, une lésion dont la taille ou la forme s’est modifiée, ou une modification de couleur ou d’autres caractéristiques visibles.
Le critère d’évolution est particulièrement important dans la surveillance du mélanome.
Mais détecter qu’une lésion est nouvelle ou qu’elle s’est modifiée ne signifie pas déterminer qu’elle est cancéreuse. Le système aide à attirer l’attention du dermatologue sur une zone qui mérite d’être examinée.
Analyser une lésion par intelligence artificielle
Certains dispositifs vont plus loin.
À partir d’une image clinique, dermoscopique ou d’un autre signal physique, un algorithme peut classer une lésion ou lui attribuer un niveau de suspicion.
Une revue systématique et méta-analyse publiée en 2024 dans npj Digital Medicine a analysé 53 études comparant les performances des algorithmes à celles de médecins de différents niveaux d’expertise [4].
Les résultats montrent des performances globalement élevées de l’IA dans les tâches étudiées. Mais les auteurs soulignent également que les performances doivent être interprétées en fonction du type de lésion, du niveau d’expertise du comparateur et des conditions d’évaluation, et appellent à davantage de validations en situation clinique réelle.
Il serait donc trompeur de transformer un chiffre global de sensibilité en affirmation selon laquelle « l’IA détecte X % des cancers de la peau ».
Que font réellement les appareils disponibles aujourd’hui ?
Les systèmes de cartographie : principalement surveiller les lésions et leur évolution
Les systèmes de photographie corporelle totale comme VECTRA ou FotoFinder permettent d’obtenir des images standardisées d’une grande partie ou de l’ensemble de la surface cutanée et de les comparer dans le temps.
Ils présentent un intérêt particulier chez les patients ayant de nombreux nævus et chez les patients à risque de mélanome.
Il faut néanmoins rester précis dans le vocabulaire : une technologie évaluée pour l’analyse de lésions mélanocytaires et la détection du mélanome ne doit pas être automatiquement présentée comme un dispositif validé pour le dépistage de tous les cancers cutanés.
Des IA professionnelles analysent désormais aussi les carcinomes
La recherche ne se limite cependant plus au mélanome.
Des algorithmes sont aujourd’hui développés spécifiquement pour les carcinomes basocellulaires et épidermoïdes.
Le système professionnel DERM, par exemple, a été évalué dans l’étude prospective multicentrique DERM-003 sur des images dermoscopiques de lésions suspectes. L’étude incluait notamment l’identification des carcinomes basocellulaires, des carcinomes épidermoïdes et de lésions prémalignes.
C’est une évolution importante : il existe donc bien aujourd’hui des systèmes professionnels utilisant l’IA qui ne sont pas limités au mélanome.
Mais ils ne répondent pas nécessairement à la même question qu’un système de cartographie corporelle.
Ils analysent généralement une lésion qui a déjà été repérée afin d’aider à déterminer son niveau de suspicion.
Autrement dit : repérer une lésion sur l’ensemble du corps et caractériser une lésion déjà identifiée sont deux étapes différentes du dépistage.
Swan™ : automatiser le suivi cutané et la comparaison dans le temps
Une autre évolution consiste à automatiser l’acquisition des photographies de la peau.
Le système Swan™, utilisé au DermoMedicalCenter, réalise une prise de photographies automatisée en lumière polarisée afin de constituer une cartographie cutanée.
Lors du premier examen, cette cartographie constitue l’état de référence de la peau du patient.
Son intérêt devient particulièrement important lors des examens suivants : la comparaison des images permet de repérer, sur une zone donnée, l’apparition de nouvelles lésions ou la modification de lésions déjà présentes.
Swan™ ne pose pas le diagnostic de cancer cutané.
Il automatise l’acquisition et la comparaison des images afin de faciliter le repérage des lésions nécessitant l’attention du dermatologue.
C’est le dermatologue qui interprète les images, examine directement le patient et décide si une lésion nécessite un examen dermoscopique, une surveillance, une biopsie ou une exérèse.
Pour en savoir plus : découvrir la cartographie cutanée Swan™.
Une intelligence artificielle peut-elle diagnostiquer seule un cancer de la peau ?
Un score fourni par une IA n’est pas un diagnostic médical
Les performances publiées de certaines IA sont élevées.
Dans la méta-analyse de Salinas et al. publiée dans npj Digital Medicine, la sensibilité et la spécificité globales des algorithmes étaient respectivement de 87,0 % et 77,1 %. Les performances étaient proches de celles des dermatologues experts dans les études analysées.
Mais ces chiffres ne signifient pas qu’une IA utilisée chez n’importe quel patient « diagnostique le cancer de la peau avec 87 % de sensibilité ».
Les performances dépendent notamment du type de lésion étudié, des images utilisées pour entraîner l’algorithme, de la qualité des images, des populations représentées dans les bases de données, du phototype et des conditions réelles dans lesquelles le dispositif est utilisé.
La validation clinique d’un dispositif précis est donc beaucoup plus informative qu’un chiffre général attribué à « l’intelligence artificielle ».
Faux positifs et faux négatifs restent possibles
Aucun système n’est infaillible.
Un faux positif correspond à une lésion considérée comme suspecte par l’algorithme alors qu’elle est finalement bénigne.
Plus problématique, un faux négatif correspond à une lésion cancéreuse qui n’a pas été identifiée comme suspecte.
Un résultat informatique rassurant ne doit donc jamais conduire à négliger une lésion qui change, saigne, s’ulcère, ne cicatrise pas ou présente un caractère inhabituel.
Qui interprète les images ? Une question essentielle avant de choisir un dépistage
Le dermatologue ne regarde pas seulement une photographie
Le diagnostic dermatologique ne repose pas uniquement sur l’image isolée d’une lésion.
Le dermatologue confronte l’aspect clinique, la localisation, l’évolution, l’âge du patient, le phototype, les expositions solaires, les antécédents personnels et familiaux, l’examen de l’ensemble de la peau et la dermoscopie.
Et lorsqu’une lésion suspecte doit être retirée ou biopsiée, le diagnostic de certitude d’un cancer cutané repose sur l’examen anatomopathologique, et non sur le résultat d’un algorithme.
Avant un dépistage technologique : trois questions à poser
- Que recherche réellement l’appareil ? Les lésions pigmentées et le mélanome ? Également les carcinomes ? Ou simplement les lésions nouvelles ou modifiées ?
- Que fait réellement le logiciel ? Cartographie ? Comparaison d’images ? Détection d’un changement ? Analyse et classification d’une lésion par intelligence artificielle ?
- Qui interprète les images et examine le patient ? La technologie doit s’intégrer à un véritable examen médical. Pour le dépistage des cancers cutanés, il est important de savoir que les images sont interprétées dans leur contexte clinique par un médecin ayant une expertise spécifique de la peau, en particulier un dermatologue.
Dermatologue et intelligence artificielle : l’association la plus intéressante
L’enjeu n’est donc pas nécessairement d’opposer l’intelligence artificielle au dermatologue.
Une deuxième méta-analyse publiée en 2024 dans npj Digital Medicine s’est précisément intéressée à l’interaction entre médecins et IA dans le diagnostic des cancers cutanés.
Globalement, l’assistance par IA améliorait les performances des professionnels : la sensibilité passait de 74,8 % sans assistance à 81,1 % avec IA, et la spécificité de 81,5 % à 86,1 %.
Mais les auteurs soulignent également une limite essentielle : une grande partie des études a été réalisée dans des conditions expérimentales plutôt que dans la pratique clinique quotidienne.
L’intérêt des nouvelles technologies pourrait donc être moins de remplacer le regard du dermatologue que de lui donner des outils supplémentaires pour photographier la peau de façon standardisée, conserver une cartographie objective, comparer précisément deux examens successifs, attirer son attention sur une lésion nouvelle ou modifiée et, pour certains dispositifs, apporter une information algorithmique supplémentaire sur une lésion suspecte.
L’IA devient alors un outil d’aide au dermatologue, et non un substitut au diagnostic médical.
FAQ sur l’IA et le dépistage des cancers de la peau
Une intelligence artificielle peut-elle détecter un mélanome ?
Certains algorithmes ont été spécifiquement développés pour analyser les lésions pigmentées et évaluer leur caractère suspect. Le mélanome est d’ailleurs le cancer cutané sur lequel une grande partie des recherches en IA dermatologique ont historiquement porté. Mais une suspicion ou un score algorithmique n’équivaut pas à un diagnostic.
Une IA qui détecte le mélanome détecte-t-elle également les carcinomes ?
Pas nécessairement. Il faut vérifier les indications et les validations propres à chaque dispositif. Un système entraîné principalement sur des nævus et des mélanomes ne peut pas être considéré, par extrapolation, comme performant pour les carcinomes basocellulaires ou épidermoïdes.
Quelle différence entre cartographie des grains de beauté et dépistage des cancers cutanés ?
La cartographie permet de photographier, localiser et suivre les lésions généralement pigmentées (naevus dépistage du mélanome) et de suivre l’évolution des lésions lors de consultations de suivi
Le dépistage des cancers cutanés est plus large : il implique de rechercher les lésions potentiellement cancéreuses, qu’elles soient pigmentées ou non, puis de déterminer celles qui nécessitent des investigations supplémentaires, telles qu’une biopsie par exemple.
Une machine peut-elle remplacer l’examen d’un dermatologue ?
Non. Même lorsqu’une IA fournit une classification ou un score de risque, cette information doit être confrontée à l’examen clinique et au contexte du patient.
Pourquoi comparer les photographies d’un examen à l’autre ?
Parce que l’apparition d’une nouvelle lésion ou la modification d’une lésion préexistante constitue une information importante pour le dermatologue, notamment dans la surveillance du mélanome. C’est l’un des grands intérêts des systèmes de cartographie reproductible.
Une IA peut-elle se tromper ?
Oui. Comme tout outil diagnostique, un algorithme peut produire des faux positifs et des faux négatifs. Un résultat informatique ne doit donc jamais conduire à ignorer une lésion cliniquement suspecte.
Sources
- Ji-Xu A, Dinnes J, Matin RN. Total body photography for the diagnosis of cutaneous melanoma in adults: a systematic review and meta-analysis. British Journal of Dermatology. 2021;185(2):302–312. doi: 10.1111/bjd.19759.
- Jairath N, Pahalyants V, Shah R, Weed J, Carucci JA, Criscito MC. Artificial Intelligence in Dermatology: A Systematic Review of Its Applications in Melanoma and Keratinocyte Carcinoma Diagnosis. Dermatologic Surgery. 2024;50(9):791–798. doi: 10.1097/DSS.0000000000004223.
- Foltz EA, Witkowski A, Becker AL, Latour E, Lim JY, Hamilton A, Ludzik J. Artificial Intelligence Applied to Non-Invasive Imaging Modalities in Identification of Nonmelanoma Skin Cancer: A Systematic Review. Cancers. 2024;16(3):629. doi: 10.3390/cancers16030629.
- Salinas MP, Sepúlveda J, Hidalgo L, et al. A systematic review and meta-analysis of artificial intelligence versus clinicians for skin cancer diagnosis. npj Digital Medicine. 2024;7:125. doi: 10.1038/s41746-024-01103-x.
- Marsden H, Morgan C, Austin S, et al. Effectiveness of an image analyzing AI-based Digital Health Technology to identify Non-Melanoma Skin Cancer and other skin lesions: results of the DERM-003 study. Frontiers in Medicine. 2023;10:1288521. doi: 10.3389/fmed.2023.1288521.
- Krakowski I, Kim J, Cai ZR, et al. Human-AI interaction in skin cancer diagnosis: a systematic review and meta-analysis. npj Digital Medicine. 2024;7:78. doi: 10.1038/s41746-024-01031-w.
