Dépister le cancer du col de l’utérus par IA : ce que révèle une validation sur quatre pays

Une équipe du Centre allemand de recherche sur le cancer (DKFZ, Heidelberg) et de partenaires cambodgiens a entraîné un modèle multi-tâche sur 696 images de colposcopie venues d’Allemagne et d’Inde pour distinguer, sur une seule photo, les lésions du col qui justifient un traitement (CIN2+) de celles qui n’en justifient pas. Le modèle dépasse l’annotation humaine sur la cohorte allemande — il rattrape 71 % des lésions à traiter contre 51 % pour l’humain — et atteint une AUC de 0,80 sur un jeu indien indépendant, mais s’effondre à 0,54 en Roumanie, soit le niveau du hasard. C’est l’une des premières validations honnêtes sur plusieurs pays d’un dépistage du col par IA, et son principal enseignement n’est pas la performance interne mais le mur de la généralisation.

Le contexte

Le cancer du col de l’utérus est l’un des rares cancers que l’on sait presque entièrement prévenir : vaccination contre le papillomavirus (HPV), dépistage, traitement des lésions précancéreuses. L’Organisation mondiale de la santé en a fait une cible d’élimination, et les programmes de dépistage peuvent réduire la mortalité jusqu’à 80 %. Mais ce dépistage repose sur une chaîne d’expertise — cytologie, colposcopie, biopsie, anatomopathologie — qui manque cruellement dans les pays à revenu faible ou intermédiaire, là où la maladie tue le plus.

La colposcopie est l’examen pivot : le clinicien applique de l’acide acétique sur le col, ce qui fait blanchir les zones anormales (réaction dite « acétoblanche »), puis juge à l’œil la sévérité des lésions. Ces lésions précancéreuses sont graduées en néoplasie cervicale intraépithéliale (CIN), de CIN1 (bas grade, régresse souvent seule) à CIN3 et au cancer invasif. Le seuil clinique qui compte est CIN2+ : à partir de CIN2, on traite ; en dessous, on surveille. L’interprétation des images de colposcopie est subjective et dépend fortement de l’expérience de l’opérateur — d’où l’intérêt d’un appui algorithmique. Le problème, soulèvent les auteurs, est que presque tous les modèles publiés jusqu’ici ont été développés et validés sur des données privées d’un seul pays. Personne n’avait vraiment mesuré ce qu’ils valent ailleurs.

La méthode

L’entrée du modèle est volontairement minimaliste : une seule image acétoblanche par patiente, sans cytologie, sans iode, sans données cliniques annexes. Ce choix vise la simplicité de déploiement dans des contextes peu équipés. La sortie est une classification binaire CIN1− (normal + CIN1) contre CIN2+ (à traiter).

L’astuce centrale est l’apprentissage multi-tâche (multi-task learning) : le réseau apprend simultanément deux choses, classer l’image (CIN1−/CIN2+) et segmenter la zone de lésion (en dessiner les contours). La segmentation n’est pas le produit final — c’est une tâche auxiliaire qui force le modèle à concentrer ses représentations internes sur la bonne région de l’image plutôt que sur des indices parasites. L’ossature est un EfficientNet-B4 (un réseau de convolution pré-entraîné sur ImageNet) doté de deux têtes, une de classification et une de segmentation, travaillant sur des images de 320 × 320 pixels. S’y ajoutent une forte augmentation de données, une augmentation au moment du test, et un ensemble de cinq modèles dont on moyenne les probabilités.

Les données d’entraînement sont modestes : 696 images (539 allemandes d’une base privée, 157 indiennes de la banque publique IARC de l’OMS), plus 174 images de validation. La vérité de référence est l’histopathologie — le résultat de la biopsie, l’étalon-or. Pour l’entraînement multi-tâche, les masques de lésion et les étiquettes ont été produits en deux temps : délimitation et gradation par deux étudiants en médecine, puis relecture et correction par un gynécologue expert. Notons d’emblée que les auteurs déclarent une procédure stricte de séparation des données pour éviter la fuite d’information (data leakage) : aucune patiente du test n’apparaît à l’entraînement.

Les résultats

Sur la cohorte interne allemande (177 images), le modèle est comparé à l’annotation humaine, toutes deux jugées contre l’histopathologie. Il fait mieux sur la métrique qui compte le plus en dépistage, la sensibilité (proportion de vraies lésions détectées) : 0,71 contre 0,51 pour l’humain. Sa précision équilibrée passe de 0,64 (humain) à 0,68. En revanche, l’humain reste meilleur en spécificité (0,81 contre 0,69) — c’est-à-dire qu’il déclenche moins de fausses alertes.

La vraie épreuve est la validation externe sur 462 cas de trois pays jamais vus à l’entraînement : Inde (197 cas), Cambodge (165) et Roumanie (100). L’AUC — l’aire sous la courbe ROC, qui mesure la capacité à séparer un cas positif d’un cas négatif, 1,0 étant parfait et 0,5 le hasard — donne le verdict : 0,74 en Allemagne, 0,80 en Inde, 0,60 au Cambodge, 0,54 en Roumanie. Autrement dit, d’un pays à l’autre, le modèle oscille entre « utile » et « pile ou face ». Il domine ses comparateurs (deux architectures antérieures réimplémentées, ResNet-152 et DeepLabv3+) sur la spécificité à haute sensibilité dans les quatre pays ; mais sur l’AUC pure, au Cambodge et en Roumanie, le simple DeepLabv3+ fait mieux que lui.

La traduction clinique est sévère. Réglé pour rattraper 90 % des lésions à traiter, le modèle n’a une spécificité que de 0,28 en Allemagne. Sur 1 000 femmes réellement indemnes de CIN2+, cela signifie environ 720 fausses alertes — autant de colposcopies de contrôle, de biopsies et d’angoisses évitables. À ce régime de sensibilité, l’outil rattrape presque tout, mais au prix d’une avalanche de faux positifs qui le rendrait, seul, ingérable en routine.

Ce qui est bien

Une validation multipays réellement externe. Là où la littérature se contente d’une cohorte d’un seul hôpital, ce travail tient trois pays entiers hors de l’entraînement (Inde, Cambodge, Roumanie, dont deux jeux publics, IARC VIA et AnnoCerv) et publie sans fard la chute de performance. Cette honnêteté sur l’écart entre données internes et externes est exactement ce qui manque à 90 % des annonces du domaine.

Une entrée minimaliste pensée pour le terrain. Une seule image acétoblanche, aucune métadonnée clinique : c’est précisément ce qu’un dispositif de dépistage à bas coût peut produire dans un dispensaire rural. Le modèle ne suppose pas un plateau technique que les pays cibles n’ont pas.

Une démonstration nette de l’apport du multi-tâche. L’étude d’ablation est rigoureuse : ajouter la segmentation auxiliaire est le geste le plus rentable, et le modèle bat l’annotation humaine sur la sensibilité — la métrique qui, en dépistage, sauve des vies (un faux négatif, c’est un cancer manqué).

Ce qui est moins bien

Un biais de population qui éclate au grand jour. L’AUC tombe de 0,74 (Allemagne) à 0,54 (Roumanie). L’entraînement ne couvre que deux pays et reste dominé par l’Allemagne, où la prévalence de CIN2+ atteint 0,64 contre 0,20 à 0,37 ailleurs. Le modèle a appris une distribution qui ne ressemble pas au reste du monde : c’est le biais de population manuel, et il interdit tout déploiement « global » à ce stade malgré le titre.

Des métriques à lire avec prudence. L’AUC est rapportée honnêtement, mais une spécificité de 0,28 à 90 % de sensibilité est, en pratique, difficilement utilisable. Et certaines formulations frôlent la métrique trompeuse : la « réduction de 87 points » d’AUC annoncée pour les patientes avec comorbidités correspond à une chute absolue de 0,35, sur seulement onze cas — un sous-groupe trop petit pour conclure. Côté comparateur, le fait qu’un DeepLabv3+ standard batte le modèle en AUC sur deux des quatre pays tempère la revendication de supériorité.

Reproductibilité et indépendance limitées. Ni le code ni les poids ne sont publiés ; les données privées (allemandes, cambodgiennes) ne sont pas accessibles. L’évaluation est rétrospective, sans aucun déploiement clinique prospectif — le titre dit « vers » (towards), pas « en clinique ». Enfin, aucune déclaration de conflit d’intérêts n’accompagne l’article alors qu’une société commerciale (PAiCON GmbH) figure parmi les affiliations ; le financement provient de la fondation Dieter Schwarz.

Ce que ça change

Pour la communauté de recherche, ce papier installe un standard utile : tester un dépistage IA sur plusieurs pays avant de parler de portée « globale », et publier les écarts. Il documente aussi que les modèles de fondation et l’apprentissage auto-supervisé n’apportent rien ici faute de données — un signal clair que le verrou est la constitution de jeux annotés multipays, pas l’architecture.

Pour les cliniciens, rien ne change aujourd’hui. Une AUC qui varie de 0,54 à 0,80 selon le pays, sans validation prospective ni marquage réglementaire, n’est pas un outil de tri déployable. Au mieux, c’est une preuve de concept pour un futur appui à la décision, à condition d’un réentraînement local.

Pour les patientes et le grand public, la promesse — un triage automatisé du col là où manquent les colposcopistes — reste réelle mais lointaine. Ce travail montre surtout que la difficulté n’est pas de battre l’œil humain sur un jeu propre, mais de tenir d’un pays, d’une caméra et d’une population à l’autre. Tant que ce mur n’est pas franchi, prudence devant toute annonce de dépistage du cancer « par IA, partout ».

Pour aller plus loin

Le préprint : Towards Global AI-Driven Cervical Cancer Screening (arXiv:2606.15019, DOI 10.48550/arXiv.2606.15019). Les jeux de données publics utilisés : la IARC Colposcopy Imagebank de l’OMS et le jeu roumain AnnoCerv (Socolov et al.). Sur l’objectif d’élimination, voir la stratégie mondiale de l’OMS contre le cancer du col.