Cancer du sein : l'IA signale ses propres doutes, en laboratoire

Demandez à un modèle d'IA une analyse d'une mammographie : il vous rendra un diagnostic, sans dire quelle confiance accorder à cette réponse précise. Une équipe de l'université de Pittsburgh a mis au point un modèle qui le fait : un réseau de neurones profond, ou DNN, qui fournit à chaque patiente un diagnostic accompagné d'un score d'incertitude. Ces travaux ont été présentés lors de la réunion annuelle de la Society of Photo-Optical Instrumentation Engineers (SPIE) en février 2026, à Vancouver, au Canada.

Les DNN apprennent à partir de jeux d'entraînement dans lesquels des humains ont étiqueté les bonnes réponses. Ils deviennent très performants pour prédire la réponse probable au sein d'une population de patientes, parfois presque tout le temps. Ils sont en revanche beaucoup moins bons pour dire à quel point un diagnostic est fiable pour une personne donnée. Pour une maladie qui menace la vie, souligne l'équipe, même quelques diagnostics erronés ont des conséquences catastrophiques pour les patientes concernées. La méthode de l'équipe, qu'elle appelle apprentissage pondéré par l'incertitude (UWL), intègre le score d'incertitude à l'entraînement lui-même, si bien que le modèle apprend à traiter les cas incertains avec davantage de prudence.

L'obstacle était le calcul. Les mammographies sont de grandes images haute résolution, et les processeurs graphiques (GPU), ces puces sur lesquelles les DNN fonctionnent le mieux, ont besoin d'une importante mémoire partagée pour traiter chaque image sans allers-retours constants vers le stockage. Jiren Li, doctorant, a obtenu du temps de calcul sur Bridges-2, le supercalculateur du PSC, par l'intermédiaire d'ACCESS, le réseau de centres de calcul haute performance géré par la National Science Foundation (NSF) américaine. Bridges-2 proposait 47 nœuds GPU dotés de 384 GPU récents, et chaque nœud dispose de entre 128 et 2 000 gigaoctets de mémoire vive, contre 64 Go dans un ordinateur portable haut de gamme. Son système de stockage Ocean contient 15 pétaoctets de données utilisables.

La première analyse, qui comparait plusieurs DNN fondés sur UWL, s'est révélée encourageante. L'un d'entre eux a donné de bonnes estimations de sa propre incertitude, signalant aux médecins et aux patientes quand un diagnostic pouvait être moins fiable pour une personne donnée. Il y est parvenu sans perdre en précision à l'échelle de la population. Les informations disponibles ne donnent aucun chiffre de précision pour le modèle, et l'équipe présente ce travail comme une première analyse, et non comme une validation clinique.

Pour les radiologues, le gain serait un second signal à côté de chaque réponse, indiquant les cas qui méritent une lecture plus attentive. Pour les patientes, ce serait un avertissement lorsqu'un diagnostic est moins fiable pour elles personnellement. L'équipe affirme que la même approche pourrait s'appliquer à d'autres usages critiques de l'IA, au-delà du cancer du sein. Elle ne donne aucun calendrier pour un usage clinique, et le modèle reste au stade de la recherche.