Un algorithme détecte 94% des cancers. Et après ?

Un algorithme détecte 94 % des cancers. Et après ?

Un modèle d'IA analyse un scanner en 11 secondes et identifie une tumeur pulmonaire avec un taux de précision supérieur à celui de nombreux radiologues expérimentés. Cette phrase n'est pas une projection futuriste — c'est le résultat d'études publiées dès 2023 par des équipes de Google Health et du MIT. La vraie question, celle que personne ne pose vraiment, c'est : qu'est-ce que ça change concrètement pour l'oncologue en face du patient ?

Pas grand chose — ou tout. Selon comment on choisit de répondre.

Ce que les modèles d'IA font mieux que l'humain en oncologie

Soyons précis. Les algorithmes d'IA appliqués à l'oncologie excellent dans des tâches très délimitées :

• L'analyse d'images médicales : détection de nodules, segmentation tumorale, lecture de lames histologiques. Des outils comme Paige.AI ou Lunit INSIGHT atteignent des performances comparables, voire supérieures, à celles de pathologistes seniors sur certains types de cancers.
• Le traitement de données massives : un modèle peut croiser en quelques secondes le génome tumoral d'un patient avec des milliers d'études cliniques pour proposer un protocole thérapeutique ciblé.
• La détection précoce : en mammographie, des études menées au Royaume-Uni ont montré que l'IA réduit les faux négatifs de 9,4 %, ce qui représente des centaines de cancers non manqués chaque année.

Ces résultats sont solides, reproductibles et documentés. Ils ne sont pas à minimiser.

Mais voilà ce que l'algorithme ne verra jamais

Une patiente de 58 ans reçoit un diagnostic de cancer du sein métastatique. L'IA a parfaitement caractérisé la tumeur, proposé le protocole le plus adapté selon les guidelines. Mais elle ne sait pas que cette femme vient de perdre son mari, qu'elle élève seule deux adolescents, qu'elle a une peur viscérale des perfusions depuis une mauvaise expérience pédiatrique.

L'oncologue, lui, le sait. Ou plutôt : il peut l'apprendre, l'intégrer, en faire une donnée clinique à part entière.

La médecine n'est pas uniquement une science de la précision statistique. C'est une pratique relationnelle, contextuelle, éthique. Elle implique de décider quand ne pas traiter, de négocier les risques avec le patient, de tenir compte de ses valeurs — des dimensions que les modèles actuels, aussi performants soient-ils, ne sont pas conçus pour porter.

Comment les oncologues réinventent concrètement leur rôle

Face à l'essor de ces outils, plusieurs postures émergent dans la profession. Les plus lucides ne cherchent pas à "concurrencer" l'IA — ils redéfinissent leur valeur ajoutée autour de ce qu'elle ne peut pas faire.

1. De lecteur d'images à interprète clinique

L'oncologue délègue la première lecture des scanners à l'algorithme et concentre son attention sur l'interprétation dans le contexte global du patient. Il ne cherche plus l'anomalie — il cherche le sens de l'anomalie pour cette personne-là.

2. De prescripteur à coordinateur de décision partagée

Avec des outils comme Watson for Oncology (IBM) ou les plateformes de médecine de précision telles que Foundation Medicine, le médecin dispose d'un tableau de bord thérapeutique. Son rôle évolue vers la traduction de ces recommandations en langage compréhensible pour le patient, et vers l'arbitrage final quand les données sont ambiguës.

3. De spécialiste isolé à nœud d'un réseau augmenté

L'IA facilite la collaboration entre oncologues, radiologues, geneticiens et chirurgiens en centralisant les données. L'expert humain devient le garant de la cohérence de ce réseau, et non plus le seul dépositaire du savoir.

Le risque que personne ne veut nommer

Il y a une tension réelle que la profession doit affronter : la tentation de la délégation aveugle. Faire confiance à l'algorithme parce qu'il a raison 94 % du temps, c'est aussi accepter, sans y réfléchir, d'être dans les 6 % restants sans avoir les outils pour le détecter.

Les biais des modèles sont réels. Plusieurs études ont montré que certains algorithmes de détection sont moins performants sur les peaux foncées ou les populations sous-représentées dans les données d'entraînement. Un oncologue qui "valide" sans regarder devient complice d'une erreur systémique.

La compétence de demain, ce n'est pas de savoir lire un scanner — c'est de savoir auditer une IA.

Ce que ça change pour les patients

Pour celles et ceux qui traversent un cancer, cette évolution est fondamentalement bonne — à une condition. Que le médecin reste visible, engagé, responsable. Que la performance technologique ne serve pas de prétexte à des consultations expédiées en 8 minutes.

Les patients ne veulent pas choisir entre la précision et l'humanité. Ils ont le droit aux deux.

Conclusion : l'IA comme miroir, pas comme remplaçant

Les modèles d'IA performants en oncologie font quelque chose de précieux : ils révèlent, en creux, ce qui est irréductiblement humain dans le soin. Ils ne menacent pas les bons oncologues. Ils rendent les mauvaises pratiques — le diagnostic précipité, la consultation sans écoute, le protocole appliqué sans réflexion — beaucoup moins défendables.

La médecine augmentée par l'IA n'a pas besoin de moins de médecins. Elle a besoin de médecins meilleurs. Et c'est peut-être là la promesse la plus sérieuse de cette technologie.

— Reservoir Live