Mirai en mammographie au filet de sécurité : ce que change un déploiement prospectif d'IA de risque dans un hôpital public américain
Une équipe de l'UCSF a publié le 18 mai 2026 dans npj Digital Medicine la première évaluation prospective d'un déploiement de Mirai — modèle d'IA prédisant le risque de cancer du sein à un an à partir des mammographies — au sein d'un hôpital de filet de sécurité américain. Sur 4 145 mammographies de dépistage, 525 patientes ont été flaguées à haut risque par l'algorithme, et 100 ont accepté un parcours accéléré qui a écourté de 99 % les délais entre dépistage et interprétation, et de 87 % le délai jusqu'à la biopsie. C'est une étude de workflow réelle, intéressante par son terrain et par sa modestie chiffrée, mais qui mérite d'être lue pour ce qu'elle est : une démonstration opérationnelle, pas une validation diagnostique de l'algorithme.
Le contexte
La mammographie de dépistage repose sur une chaîne logistique fragile. L'image est acquise un jour, lue par un radiologue le lendemain ou la semaine suivante, le résultat est notifié à la patiente, qui doit ensuite reprendre rendez-vous pour un examen diagnostique de second niveau (échographie, vues complémentaires, parfois IRM), puis si besoin pour une biopsie. Dans les centres bien équipés et bien financés, ce parcours prend de quelques jours à trois semaines. Dans les hôpitaux dits « de filet de sécurité » — qui accueillent les populations non assurées ou sous-assurées aux États-Unis — il prend des semaines, parfois des mois, et une partie des patientes se perd en chemin. Cette perte est l'un des facteurs reconnus des inégalités de mortalité par cancer du sein, notamment chez les femmes noires américaines.
Les modèles d'IA capables d'estimer le risque individuel de cancer du sein à partir de la mammographie sont matures depuis 2021. Mirai, publié par Adam Yala et collègues au MIT puis à UCSF, prédit la probabilité qu'une patiente développe un cancer du sein dans les un à cinq ans qui suivent une mammographie de dépistage. Il a été validé sur plus de 200 000 examens issus de centres américains, européens et asiatiques, avec une AUC à un an (aire sous la courbe ROC, qui mesure la capacité à séparer un cas positif d'un cas négatif — 1 est parfait, 0,5 est le hasard) autour de 0,75–0,80 selon les cohortes. La question ouverte n'était plus de savoir si Mirai « marche » sur des datasets, mais ce que cela donne quand on l'intègre dans un vrai workflow clinique, dans un vrai hôpital, sur de vraies patientes.
La méthode
L'étude est menée à l'Avon Breast Center du Zuckerberg San Francisco General Hospital, hôpital public de San Francisco qui dessert majoritairement des patientes non assurées, Medi-Cal, ou récemment immigrées. Protocole approuvé par l'IRB, conforme HIPAA, dispositif controlled mais non randomisé.
Le pipeline informatique fonctionne ainsi. Une mammographie de dépistage est acquise et transmise en temps réel à une instance locale de Mirai. Le modèle calcule un score de risque à un an. Si la patiente tombe dans le décile supérieur de risque (top 10 %), elle est flaguée comme à haut risque dans le système d'information. Les jours d'inclusion (deux à trois jours par semaine pendant la période d'étude), un coordinateur informe les patientes flaguées qu'elles peuvent rester sur place pour une lecture immédiate par un radiologue, puis, si l'image suggère une anomalie, pour une évaluation diagnostique le jour même (vues complémentaires, échographie ciblée) et le cas échéant pour une biopsie programmée à très court terme.
Les jours non d'inclusion servent de groupe contrôle : les patientes à haut risque selon Mirai y suivent le parcours habituel, c'est-à-dire l'attente standard de plusieurs semaines. Comparateur intéressant parce qu'il évite l'effet placebo de l'IA — les contrôles sont eux aussi à haut risque, juste non priorisés.
Au total, sur la fenêtre d'étude, 4 145 mammographies de dépistage ont été traitées par Mirai. 525 femmes (12,7 %) ont été flaguées dans le top 10 % de risque. Sur les jours d'inclusion, 100 ont accepté le parcours accéléré et constituent la cohorte expérimentale. Les autres jours, les patientes à haut risque correspondantes servent de contrôle.
Les résultats
Sur les 100 patientes du parcours accéléré, 94 % ont reçu une lecture immédiate de leur mammographie le jour même, et 26 ont nécessité (et reçu) une évaluation diagnostique complémentaire dans la même journée. Les chiffres marquants concernent les délais.
Chez les patientes qui se sont avérées avoir un cancer dépisté à la mammographie (six cas dans le bras expérimental contre des contrôles à effectifs comparables), le délai entre le dépistage et le rendu du résultat passe de plusieurs semaines à quelques heures — soit une réduction de 99,1 %. Le délai jusqu'à l'évaluation diagnostique complémentaire chute lui aussi de 99,1 %. Le délai jusqu'à la biopsie diagnostique est réduit de 87,2 %.
Sur le taux de détection de cancer, la cohorte expédiée affiche 60 cancers pour 1 000 patientes dépistées, contre 2,3 pour 1 000 chez les patientes non flaguées à haut risque par Mirai. Cette différence n'est pas une mesure de performance du modèle au sens classique — c'est mécaniquement le produit de la sélection (Mirai concentre les cancers dans le top 10 %). Mais elle rappelle que le ciblage fonctionne : sur le terrain, l'algorithme isole bien une population enrichie en cancers réels.
En traduction clinique : pour mille patientes passées au dépistage standard à Zuckerberg San Francisco General, environ 23 portent un cancer dans le décile supérieur Mirai. Le parcours accéléré ramène la prise en charge complète de ces 23 cancers de plusieurs semaines à quelques heures pour le diagnostic, et d'un à deux mois à quelques jours pour la biopsie. C'est une amélioration de logistique, pas un changement du nombre absolu de cancers détectés à population égale.
Ce qui est bien
Trois forces spécifiques.
Le terrain de l'étude est exactement le bon. Les safety-net hospitals américains sont les structures où les inégalités d'accès au diagnostic sont les plus lourdes. Une partie significative de la littérature IA-radiologie est produite à Stanford, MIT ou Mayo Clinic — des centres riches et numérisés, où les délais sont déjà courts. Démontrer qu'une intégration de Mirai marche dans un hôpital public urbain, sur une population majoritairement non blanche et économiquement précaire, déplace utilement la conversation.
Le comparateur est honnête. Les patientes contrôles sont aussi flaguées à haut risque par Mirai — la différence n'est pas la performance du modèle, mais la mise en place d'un workflow priorisé. Cela évite le piège classique du comparateur biaisé (comparer l'IA-plus-workflow à l'absence d'IA-et-de-workflow), souvent observé dans la littérature de déploiement clinique.
Le code de Mirai est public sous licence MIT depuis 2021 (github.com/yala/Mirai), et l'étude utilise un déploiement local maîtrisé par l'équipe — pas une API propriétaire boîte noire. Cette transparence permet à d'autres systèmes de filet de sécurité de tenter la même intégration sans dépendre d'un fournisseur commercial.
Ce qui est moins bien
Trois limites précises à garder en tête.
La taille de l'échantillon expérimental est très faible. 100 patientes acceptent le parcours accéléré, 6 ont effectivement un cancer dépisté. Tous les pourcentages de réduction de délai (99,1 %, 87,2 %) reposent sur ces faibles effectifs. Aucun intervalle de confiance n'est rapporté dans l'abstract diffusé en preprint. Sur 6 cas, un seul délai aberrant change la moyenne d'un facteur considérable — la métrique trompeuse classique. La direction de l'effet est crédible, son amplitude exacte beaucoup moins.
L'étude n'est pas randomisée. Le contraste « jours d'inclusion » contre « jours non d'inclusion » est sensible à des biais de calendrier (effectifs de personnel disponibles, type de patientes qui consultent un mardi versus un jeudi, etc.). Pour conclure causalement que le parcours accéléré réduit les délais, il faudrait un essai randomisé par patiente — ce que les auteurs ne revendiquent pas, mais que la presse pourrait survendre. Le risque de biais de population entre bras est réel même si les deux populations sont toutes deux issues du décile Mirai supérieur.
Conflit d'intérêts notable. Maggie Chung et Adam Yala détiennent des actions dans Voio Inc., une société d'IA en santé qu'Adam Yala a co-fondée. Les auteurs déclarent qu'aucun lien financier ou non financier n'est « relevant to this study », mais Mirai est le produit historique d'Adam Yala et la démonstration de son utilité clinique a un effet direct sur la valorisation de la société. Ce n'est pas disqualifiant — l'étude reste académique, financée par NIH et la Breast Cancer Research Foundation — mais une réplication indépendante par une équipe sans intérêt commercial serait précieuse avant de généraliser.
Mention complémentaire : la version diffusée le 18 mai est une unedited version en accès anticipé, qui passera encore par une étape d'édition avant la version finale. Les chiffres présentés sont susceptibles d'évoluer marginalement.
Ce que ça change
Pour la communauté de recherche, c'est un signal méthodologique utile. Les évaluations rétrospectives de modèles de risque mammographique sont nombreuses ; les déploiements prospectifs réels sont rares, et ceux qui se font en filet de sécurité plus rares encore. Le papier fournit un cadre de protocole — intégration temps réel, flag dans le système d'information, parcours dédié — réutilisable par d'autres équipes.
Pour les cliniciens radiologues et coordinateurs de soins, l'enseignement n'est pas que Mirai améliore le diagnostic, mais qu'une priorisation automatique sur la base d'un score d'IA permet de réorganiser la file d'attente. La valeur ajoutée est logistique. Les centres déjà rapides (moins de sept jours du dépistage à la biopsie) n'en tireront pas grand-chose ; ceux où le délai dépasse un mois pourraient s'en inspirer, à condition d'avoir les ressources humaines pour absorber les lectures immédiates.
Pour les patientes et le grand public, le message à retenir est mesuré. Mirai ne détecte pas plus de cancers en valeur absolue dans cette étude ; il sert à savoir plus tôt qu'on a un cancer, dans une population pour laquelle le « plus tard » se traduit en perte de chance. C'est un usage de l'IA-santé peu glamour mais probablement plus impactant à court terme que beaucoup de démonstrations d'AUC battue.
Pour aller plus loin
Le papier est en accès libre (CC BY 4.0) sur le site de npj Digital Medicine, DOI 10.1038/s41746-026-02743-x. Le code source de Mirai est disponible sur GitHub sous licence MIT, avec les poids du modèle distribués sous licence académique. Pour la publication originale décrivant Mirai et sa validation multicentrique, voir Yala et al., Science Translational Medicine, 2021 (DOI 10.1126/scitranslmed.aba4373). Pour le contexte régulatoire américain sur les modèles de risque mammographique en logiciel de dispositif médical, voir la liste publique FDA des AI/ML-Enabled Medical Devices.