Dépister l'apnée du sommeil sur une simple photo de visage : ce que fait un système multimodal à base de VLM, et pourquoi son « exactitude » flatte les chiffres
Une équipe de Shanghai propose EviOSAHS, un système qui évalue le risque d'apnées du sommeil à partir d'une photo de visage et d'un profil clinique, en orchestrant par simple prompt — sans aucun entraînement — un modèle vision-langage et un grand modèle de langage. Sur 642 patients dotés d'une polysomnographie de référence, il annonce une exactitude de 88,47 % et une sensibilité de 94,86 %. Le problème : la cohorte compte 584 positifs pour seulement 58 négatifs, la spécificité n'est jamais publiée — on la reconstitue à environ 24 % — et un classifieur qui répondrait « positif » à tout le monde obtiendrait une meilleure exactitude (90,97 %).
Le contexte
Le syndrome d'apnées-hypopnées obstructives du sommeil (SAHOS) se caractérise par des effondrements répétés des voies aériennes supérieures pendant le sommeil : la respiration s'interrompt (apnée) ou se réduit (hypopnée) des dizaines de fois par heure, fragmentant le sommeil et augmentant à terme le risque cardiovasculaire et métabolique. C'est une maladie fréquente et très largement sous-diagnostiquée. Le diagnostic de référence, la polysomnographie (PSG), impose une nuit d'enregistrement instrumenté en laboratoire du sommeil : fiable mais coûteuse, à capacité limitée, avec de longues files d'attente. D'où l'intérêt d'outils de dépistage qui trient en amont les patients à adresser en priorité à la PSG.
La sévérité se mesure par l'IAH (indice d'apnées-hypopnées), le nombre d'événements respiratoires par heure de sommeil, qui définit des catégories (normal, léger, modéré, sévère). Les questionnaires cliniques classiques (STOP-Bang, Epworth, Berlin) sont peu coûteux mais imprécis. Par ailleurs, la morphologie cranio-faciale — cou épais, menton en retrait, encombrement des voies aériennes — est corrélée au risque, ce qui a nourri l'idée d'exploiter une simple photographie du visage. La nouveauté de ce travail : au lieu d'entraîner un classifieur dédié, les auteurs orchestrent des modèles généralistes existants par la seule rédaction d'instructions (le prompt), en forçant une sortie structurée censée rendre la décision interprétable.
La méthode
EviOSAHS ne modifie aucun poids de modèle : c'est un chaînage « zéro entraînement » (aucun apprentissage sur la cohorte cible) de deux briques généralistes. Un modèle vision-langage (VLM) — un modèle qui « lit » une image et répond en texte à des questions à son sujet — et un grand modèle de langage (LLM) qui raisonne sur du texte. Concrètement, les auteurs emploient Qwen2.5-VL-7B-Instruct pour la vision et Qwen2.5-7B-Instruct pour le langage, en décodage déterministe (température nulle, pour des réponses reproductibles) sur un seul GPU de 80 Go.
Le cœur de la méthode est la « décomposition structurée de l'évidence visuelle ». Une photo de visage de face est examinée via sept questions anatomiques fixes : cou, menton, bouche, graisse du visage et du cou, mâchoire inférieure, étage moyen du visage, nez. À chaque question, le VLM ne voit que l'image et joue le rôle d'observateur, pas de décideur : sa réponse est convertie en une « fiche d'évidence » structurée (cible anatomique, observation, visibilité, direction du risque — en faveur, contre, incertain —, force de l'indice, niveau de confiance, résumé). Ces sept fiches sont assemblées, puis — et seulement à ce stade final — le LLM reçoit le profil clinique tabulaire (âge, sexe, IMC, tour de cou, rapport taille-hanches, hypertension, diabète, cardiopathie, hyperlipidémie) et rend un verdict binaire par une « adjudication équilibrée », c'est-à-dire en pesant explicitement les indices en faveur, contre et incertains. La séparation temporelle — vision d'abord, clinique ensuite — vise à empêcher le modèle de tout miser sur l'IMC ou le tour de cou. La cible est une classification binaire : étiquette positive dès que la catégorie de sévérité dépasse « normal » ; l'IAH lui-même est retiré des prompts pour éviter la fuite de l'étiquette.
Les données proviennent d'un seul centre : 642 sujets d'une cohorte rétrospective de médecine du sommeil de l'Eye & ENT Hospital de l'université Fudan (Shanghai), avec PSG de référence, enregistrée au registre chinois des essais (ChiCTR2300069223). Le mapping binaire donne 584 positifs pour 58 négatifs ; la répartition d'origine est très déséquilibrée (normal 58, léger 99, modéré 95, sévère 390). La cohorte est majoritairement masculine (546 hommes pour 96 femmes), d'âge médian 40 ans (étendue 4 à 82 ans) et d'IMC médian 26,5. Point méthodologique majeur : il n'y a ni entraînement, ni séparation apprentissage/test — tous les modèles sont évalués en inférence directe sur l'ensemble de la cohorte, les prompts étant « figés avant les essais formels ». Les comparateurs sont d'autres façons de prompter (clinique seule, VLM directs, fusion précoce, modèle unique, versions ablatées) ; aucun expert humain ni aucun questionnaire validé comme STOP-Bang ne sert de référence.
Les résultats
Le système complet affiche une exactitude de 88,47 %, une sensibilité de 94,86 %, un score F1 de 93,74 % et un taux de faux négatifs de 5,14 %, faisant passer, selon les auteurs, le nombre de cas manqués de plus de 140 à 30. Il devance le « clinique seul » (exactitude 74,61 %, sensibilité 75,34 %), un VLM LLaVA-1.6 utilisé directement (73,83 % ; 74,66 %), une fusion précoce (85,67 % ; 91,61 %) et un modèle unique (85,36 % ; 89,55 %). Deux VLM interrogés « à cru » s'effondrent : InstructBLIP tombe à 0 % de sensibilité et Qwen2.5-VL à 1,54 % — ils répondent « négatif » presque partout ou produisent des sorties inexploitables. Les ablations montrent d'où vient le gain : sans les sept questions visuelles, l'exactitude chute à 71,65 % (sensibilité 71,92 %) ; sans l'adjudication équilibrée, à 73,99 % (75,68 %). L'audit des 4 494 sessions visuelles (7 questions × 642 sujets) rapporte 100 % de sorties correctement structurées et une « haute visibilité » supérieure à 93 %, le nez étant le point faible.
Deux chiffres, absents de l'article, changent la lecture. D'abord, aucune spécificité ni aucune AUC ne sont rapportées — le système ne produit qu'un oui/non, pas une probabilité, ce qui interdit toute courbe ROC (l'AUC, aire sous cette courbe, résume la capacité à séparer positifs et négatifs à tous les seuils). On peut néanmoins reconstituer la spécificité (la proportion de vrais négatifs correctement classés) à partir de l'exactitude, de la sensibilité et de la prévalence : environ 554 vrais positifs et 14 vrais négatifs, soit une spécificité d'environ 24 % (14 sur 58) et 44 faux positifs. En clair : sur les 58 personnes réellement indemnes de cette cohorte, environ 44 sont classées à tort comme « à risque ». (Contre-vérification : ce jeu de valeurs redonne exactement le F1 de 93,74 % annoncé.) Ensuite, comme les positifs représentent 90,97 % de la cohorte, un modèle trivial répondant « positif » à tout le monde atteindrait 90,97 % d'exactitude — au-dessus des 88,47 % du système. Enfin, la robustesse interroge : mélanger aléatoirement les images ou les flouter fait basculer, dans chaque cas, la prédiction de 63 sujets sur 642 (près de 10 %).
Ce qui est bien
Une interprétabilité pensée dès la conception. Plutôt qu'une boîte noire crachant un score, EviOSAHS produit sept fiches d'évidence anatomiques, lisibles et vérifiables, avec direction du risque, force et confiance, et sépare l'observation de l'image de la décision finale. Pour un outil de tri où un clinicien veut voir « pourquoi », c'est une propriété utile — et l'audit affichant 100 % de sorties correctement structurées montre que la contrainte de format tient.
Des ablations honnêtes. Les auteurs ne se contentent pas d'annoncer un bon chiffre : ils démontent leur pipeline pour montrer que l'essentiel du gain vient de la décomposition en sept questions et de l'adjudication équilibrée, et documentent l'effondrement des VLM interrogés naïvement (sensibilité 0 % ou 1,54 %). Exposer ces échecs plutôt que les masquer relève d'une bonne hygiène scientifique.
Reproductibilité et faible barrière technique. Aucun entraînement, des modèles ouverts de 7 milliards de paramètres tournant sur un unique GPU, un décodage déterministe et un code publié sur GitHub avec les prompts, les schémas de fiches et le code d'évaluation. On peut rejouer et discuter la méthode — condition de toute critique constructive.
Ce qui est moins bien
Une métrique trompeuse sur une cohorte déséquilibrée. C'est le point central. Avec 584 positifs pour 58 négatifs, l'exactitude et le F1 sont gonflés par la prévalence, et le « toujours positif » bat le système en exactitude (90,97 % contre 88,47 %). Surtout, l'absence de spécificité et d'AUC masque le talon d'Achille de tout dépistage : la reconstitution donne une spécificité d'environ 24 %, soit 44 faux positifs sur 58 vrais négatifs. Sur une population générale à faible prévalence — le vrai terrain d'un outil de dépistage — ce réglage produirait un déluge d'adressages inutiles en PSG. Optimiser la seule sensibilité sur une cohorte enrichie en malades, c'est mesurer la performance là où elle est la plus flatteuse.
Pas de séparation apprentissage/test, ni validation externe. Toute l'évaluation se fait sur la même cohorte que celle sur laquelle les prompts ont été mis au point : le résultat est de fait « en échantillon », avec un risque de sur-ajustement des prompts et du point de fonctionnement à ce jeu de données — une variante du data leakage propre à l'ère du prompt. S'y ajoute un fort biais de population : un seul hôpital, une cohorte chinoise, 85 % d'hommes, une étendue d'âge incluant un enfant de 4 ans (contamination pédiatrique dans une tâche d'adultes) et des rapports taille-hanches non physiologiques (> 2) conservés en entrée. Aucune cohorte externe ne vient tester la généralisation.
Comparateurs faibles et prédictions instables. Les baselines les plus spectaculairement battues (InstructBLIP à 0 %, Qwen2.5-VL à 1,54 %) sont dégénérées — des adversaires de paille — et le système n'est jamais comparé à un questionnaire validé comme STOP-Bang ni à un modèle publié de photo faciale. Quant à l'ancrage anatomique revendiqué, il résiste mal : mélanger ou flouter les images fait basculer 63 prédictions sur 642, signe d'un possible shortcut learning (le modèle s'appuierait sur des corrélations parasites plutôt que sur l'anatomie qu'il prétend lire), d'autant que les « évidences » intermédiaires ne sont jamais validées par un ORL. On notera enfin qu'un auteur est affilié à Tencent Youtu Lab, alors que la déclaration mentionne une absence de conflit d'intérêts.
Ce que ça change
Pour la communauté de recherche, l'étude illustre un patron de conception séduisant : orchestrer par prompt des modèles généralistes pour produire un raisonnement multimodal structuré et interprétable, sans coût d'entraînement. Mais elle vaut surtout comme cas d'école sur l'évaluation : rapporter exactitude, sensibilité et F1 sur une cohorte déséquilibrée et enrichie, sans spécificité, sans AUC ni valeur prédictive, peut faire paraître solide un système qui passe en réalité sous une baseline triviale. Le correctif est connu : cohortes équilibrées ou prévalence réaliste, point de fonctionnement calibré, métriques à double affichage, validation externe.
Pour les cliniciens et les décideurs, le message est prudent : une photo de visage ne remplace ni la polysomnographie ni même, à ce stade, un questionnaire validé. En dépistage, la spécificité est le nerf de la guerre — chaque faux positif coûte une nuit de PSG et de l'anxiété à un patient bien portant. Une inférence fondée sur la morphologie faciale soulève en outre des questions de biais démographique et ethnique, et de vie privée, qu'un outil basé sur la photo devra affronter de face.
Pour les patients et le grand public, deux idées simples. Non, une application ne peut pas, de façon fiable, diagnostiquer une apnée du sommeil à partir d'un selfie. Et un titre annonçant « 94 % » cache l'essentiel : chez les personnes qui n'ont pas la maladie, ce système se trompe, sur ces données, la plupart du temps. Un bon test de dépistage se juge sur deux jambes — repérer les malades et épargner les bien-portants —, pas sur une seule.
Pour aller plus loin
Le préprint « Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome » est disponible sur arXiv (2606.00087), par Chen Zhan, Yingchen Wei, Xiaoyu Tan, Jingjing Huang et Xihe Qiu (Shanghai University of Engineering Science ; Tencent Youtu Lab ; Eye & ENT Hospital de l'université Fudan ; National University of Singapore). Le code est publié sur GitHub ; les données (images de visage et dossiers cliniques) ne sont pas publiques. L'étude est enregistrée au registre chinois des essais cliniques (ChiCTR2300069223) et financée par la Shanghai Municipal Natural Science Foundation (23ZR1425400) ; les auteurs déclarent l'absence de conflit d'intérêts. Sur les modèles vision-langage et leurs angles morts, voir nos décryptages sur le texte qui domine l'image dans les VLM cliniques, sur la prudence et la métacognition des LLM juges en clinique, et sur les biais cachés par sous-groupes en imagerie médicale.
Transparence éditoriale : version française rédigée et signée par la rédaction de Tatakoto à partir de la lecture du préprint. La spécificité (≈ 24 %) et le nombre de faux positifs sont reconstitués à partir de l'exactitude, de la sensibilité et de la prévalence rapportées. Traductions anglaise, espagnole et chinoise produites avec assistance IA et relues.