Prédire avant l'opération les chirurgies de Mohs les plus lourdes : ce que trente modèles de machine learning apprennent surtout de la taille de la tumeur

Une équipe de Sydney entraîne trente algorithmes de machine learning à prédire, avant l'intervention, si une chirurgie micrographique de Mohs exigera 13 coupes tissulaires ou plus — un seuil de « cas lourd » calqué sur la grille de remboursement australienne. Sur 408 interventions d'un seul centre, le meilleur modèle, un ensemble par « stacking », affiche une AUC de 0,884 sur le test et 81,7 % d'exactitude, au-dessus des 0,70–0,78 de la littérature antérieure. Mais le jeu de test ne compte que 82 cas, aucune validation externe n'est menée, et l'analyse d'importance des variables montre que le modèle rejoue surtout une évidence anatomique : plus la tumeur est grande, plus il faut couper.

Le contexte

La chirurgie micrographique de Mohs (MMS) est le traitement de référence des cancers cutanés kératinocytaires — carcinomes basocellulaires (CBC) et épidermoïdes (CEC) — situés dans des zones anatomiquement délicates comme le visage, avec des taux de guérison supérieurs à 98 % pour les tumeurs primaires. Son principe : retirer la tumeur couche par couche, chaque couche étant immédiatement examinée au microscope, et recommencer tant que les marges ne sont pas saines. Le nombre de « coupes » (sections) et d'étapes varie énormément d'un patient à l'autre — d'une seule section à plus de quarante dans les cas complexes.

Ce nombre a des conséquences très concrètes : les cas lourds allongent le temps opératoire, mobilisent davantage de ressources et imposent des techniques de fermeture plus complexes. Savoir à l'avance qu'une intervention sera longue aiderait à planifier le bloc, à informer le patient et à organiser la reconstruction. Des travaux antérieurs avaient tenté cette prédiction avec des AUC de 0,70 à 0,78 — l'AUC (aire sous la courbe ROC) mesurant, entre 0,5 et 1, la capacité d'un modèle à séparer deux classes, ici « cas lourd » et « cas léger ». La question posée par cette étude : un modèle de machine learning peut-il, à partir des seules données disponibles avant l'incision, prédire un cas à 13 sections ou plus ?

La méthode

La tâche est une classification binaire : 13 sections ou plus contre moins de 13. Le seuil de 13 n'est pas biologique — il correspond au palier de remboursement le plus élevé de la nomenclature australienne (Medicare Benefits Scheme), censé marquer les cas gourmands en ressources. Les données proviennent d'un seul établissement, The Skin Hospital, réparti sur deux sites de Sydney, sur la période 2012–2017 : 408 interventions consécutives. Les patients ont en moyenne 68,5 ans (± 12,9), sont à 57,8 % des hommes ; 93,4 % des tumeurs siègent à la tête et au cou, et 90,0 % sont des carcinomes basocellulaires.

Le modèle ne reçoit que des variables préopératoires — les auteurs excluent délibérément les données connues seulement après l'opération (taille du défect, type de fermeture, statut des marges) pour préserver l'utilité clinique en amont. Seize variables sont retenues : âge, sexe, les deux diamètres de la tumeur, la surface tumorale (calculée comme l'aire d'une ellipse à partir de ces deux diamètres), le type de tumeur, un antécédent de récidive, le caractère histologiquement agressif, le site et la « zone de risque » corporelle, la latéralité, l'unité anatomique fine, l'expérience du chirurgien, un statut « see-and-do », le statut de biopsie et le tabagisme.

Trente algorithmes de machine learning sont mis en concurrence, répartis en six familles : gradient boosting (XGBoost, LightGBM, CatBoost — des méthodes qui additionnent de petits arbres de décision corrigeant successivement leurs erreurs), méthodes d'ensemble (le « stacking » combine les prédictions de plusieurs modèles via un méta-modèle, ici une régression logistique ; le « voting » les fait voter), réseaux de neurones de 3 à 7 couches, machines à vecteurs de support et classifieurs classiques. Les données sont séparées en apprentissage (80 %, soit 326 cas) et test (20 %, soit 82 cas) par échantillonnage stratifié, avec validation croisée à 5 plis sur l'apprentissage et intervalles de confiance par bootstrap (1 000 rééchantillonnages). Point appréciable : l'issue est équilibrée, 195 cas (47,8 %) à 13 sections ou plus contre 213 (52,2 %) en dessous. L'importance des variables est lue par les valeurs SHAP (une méthode qui attribue à chaque variable sa contribution moyenne à la prédiction), et une estimation d'incertitude est produite en réentraînant 20 forêts aléatoires avec des graines différentes. Aucune validation externe ni temporelle n'est réalisée.

Les résultats

Le modèle déclaré vainqueur, l'ensemble par stacking, atteint une AUC de 0,891 en validation croisée (IC 95 % 0,849–0,934) et de 0,884 sur le jeu de test, avec 81,7 % d'exactitude et un score F1 de 0,81. La forêt aléatoire égale la même AUC en validation croisée (0,891) mais retombe à 0,851 sur le test ; CatBoost obtient 0,885 en validation croisée, 0,881 en test et la meilleure calibration (score de Brier de 0,134, le plus bas — donc les probabilités prédites sont les plus fidèles). L'ensemble des méthodes se tient dans un mouchoir : AUC de 0,867 à 0,891. À noter, un réseau de neurones large à 3 couches obtient sur le test une AUC de 0,892 — supérieure à celle du modèle sacré meilleur.

La stratification par incertitude est le résultat le plus intéressant : 58 des 82 cas de test (70,7 %) reçoivent une prédiction « à haute confiance » (incertitude inférieure à 15 %), et sur ce sous-groupe l'exactitude grimpe à 91,4 %, contre 70,8 % pour les prédictions moins sûres. Les courbes d'apprentissage plafonnent dès ~260 exemples, ce qui suggère que davantage de données du même type n'aideraient guère. Côté variables, l'analyse SHAP est sans ambiguïté : la surface tumorale domine (importance moyenne 0,141), loin devant le premier diamètre (0,086), le second diamètre (0,068), le caractère agressif (0,046), la récidive (0,035) et l'âge (0,035) ; la zone corporelle (0,006) et l'expérience du chirurgien (0,008) ne pèsent presque rien. Un effet de seuil apparaît autour de 1,5 cm² de surface, au-delà duquel la probabilité de cas lourd grimpe fortement. L'analyse univariée confirme : les cas à 13 sections ou plus portent sur des tumeurs de 6,32 cm² en moyenne contre 0,75 cm² (p < 0,001, taille d'effet de Cohen d = 0,98, considérable).

En traduction clinique, deux nuances. D'abord, l'exactitude de 81,7 % se juge contre un taux de base d'environ 52 % (la classe majoritaire) : le modèle apporte un gain réel, mais sur 82 cas de test, il se trompe encore environ quinze fois — et le texte du préprint ne rapporte, dans son corps, ni la sensibilité ni la spécificité au seuil retenu, pourtant nécessaires pour juger l'usage. Ensuite, l'essentiel du signal tient dans une seule mesure faite au décimètre : la surface de la tumeur.

Ce qui est bien

Une issue équilibrée et des métriques honnêtement multiples. Contrairement à beaucoup d'études IA-santé où une prévalence déséquilibrée gonfle l'exactitude, ici les deux classes sont presque à parité (47,8 % contre 52,2 %) : l'exactitude et le F1 sont donc interprétables sans piège de prévalence. Les auteurs ne se contentent pas de l'AUC, ils rapportent la calibration (score de Brier) et discutent quel modèle est le mieux calibré — une rigueur trop rare.

Une interprétabilité cohérente et plausible. Les valeurs SHAP sont stables d'un modèle à l'autre (corrélation de Spearman ρ > 0,85 entre toutes les paires), l'effet de seuil autour de 1,5 cm² est cliniquement crédible, et le classement des variables raconte une histoire lisible plutôt qu'une boîte noire. On voit pourquoi le modèle décide.

Une stratification par incertitude utile au déploiement. Plutôt qu'un score unique, le système sépare les prédictions fiables (70,7 % des cas, à 91,4 % d'exactitude) des cas douteux (70,8 %) : un clinicien saurait quand faire confiance à l'outil et quand s'en méfier. C'est exactement le genre de garde-fou qui manque à la plupart des calculateurs cliniques. L'étude est par ailleurs approuvée par un comité d'éthique (protocole HREC 2017/021) avec consentement des patients.

Ce qui est moins bien

Un jeu de test minuscule et une « validation » surtout interne. Le titre annonce « validation » mais tout repose sur une seule division aléatoire d'un unique centre : 82 cas de test, dont environ 39 positifs. À cette taille, les écarts entre modèles sont dans le bruit — le réseau de neurones à 3 couches (test 0,892) bat en réalité le vainqueur proclamé (0,884), et CatBoost (0,881) l'égale. Le « meilleur modèle » est désigné sur des égalités de validation croisée tranchées à la troisième décimale, ce qui rend le classement instable. Aucune validation externe ni temporelle n'est menée, alors que c'est précisément l'étape qui fait chuter la plupart des modèles quand on change d'hôpital.

Trente modèles, aucun comparateur simple, un risque de sur-optimisme. Évaluer trente algorithmes sur 408 cas et retenir le meilleur expose à la malédiction du vainqueur : la meilleure AUC parmi trente est mécaniquement optimiste, sans correction pour cette multiplicité. Surtout, il manque le comparateur le plus évident : une simple régression logistique sur la seule surface tumorale. Puisque SHAP montre que cette surface domine tout, rien ne prouve que l'artillerie des trente modèles fasse mieux qu'un mètre-ruban et une règle de trois. C'est le comparateur biaisé par omission : on bat la littérature ancienne (0,70–0,78) sans se mesurer à la baseline triviale.

Une quasi-tautologie déguisée en prédiction, sur une population étroite. La surface tumorale est calculée déterministiquement à partir des deux diamètres, eux aussi comptés parmi les « seize variables » : les trois premières variables du classement SHAP sont donc la même information répétée. Le modèle rejoue une évidence — une grande tumeur exige d'exciser plus de tissu — que les auteurs concèdent d'ailleurs : « 13 sections ou plus sert avant tout de substitut à la taille de la tumeur ». S'y ajoute un fort biais de population : un seul centre australien, 90 % de basocellulaires, 93 % de tête et cou. Enfin le seuil de 13 est un artefact de facturation (le palier Medicare), en partie dépendant des habitudes du chirurgien — le nombre de sections par étape passe de 3,0 à 8,6 selon la zone — plutôt qu'une frontière biologique. On notera aussi qu'aucun code n'est publié, que les données ne sont accessibles que sur demande, et qu'un calculateur en ligne dérivé de ce travail affiche des sorties (temps opératoire, codes de facturation, taille du défect) qui vont bien au-delà du modèle binaire réellement validé, et repose sur un ensemble de six modèles différent de celui présenté comme le meilleur.

Ce que ça change

Pour la communauté de recherche, l'étude offre un gabarit soigné de prédiction préopératoire — bon usage de SHAP, calibration rapportée, stratification par incertitude — mais surtout une leçon d'évaluation. Comparer trente modèles sur 82 cas de test, sans validation externe et sans baseline triviale, produit un classement fragile et une AUC de tête probablement optimiste. Le correctif est connu : préenregistrer un comparateur simple (ici, la surface tumorale seule), valider en externe et dans le temps, rapporter sensibilité et spécificité au point de fonctionnement, et corriger la multiplicité des modèles testés.

Pour les cliniciens, un chirurgien de Mohs anticipe déjà les cas lourds en regardant la taille et la localisation de la tumeur ; ce travail formalise cette intuition sans encore démontrer qu'il fait mieux qu'un centimètre. Le potentiel est réel pour la planification du bloc et l'information du patient — à condition d'une validation externe. Les sorties supplémentaires du calculateur en ligne (durée opératoire, codes de remboursement) ne sont, elles, pas soutenues par les données présentées.

Pour les patients et le grand public, deux idées simples. Non, aucune application ne peut aujourd'hui vous annoncer de façon fiable que votre chirurgie de Mohs sera longue : le résultat vient d'un seul centre, sur 82 cas de test, et n'a pas été validé ailleurs. Et une « AUC de 0,89 » impressionne moins une fois traduite : les grosses tumeurs situées à des endroits délicats demandent plus de chirurgie — ce que l'on savait déjà.

Pour aller plus loin

Le préprint « Development and Validation of Machine Learning Models for Predicting 13 or More Sections in Mohs Micrographic Surgery » est disponible sur medRxiv (10.64898/2026.07.20.26358484), par Yagiz Alp Aksoy, Simon Lee et Gilberto Moreno-Bonilla (University of Sydney, Daffodil Centre et Biomedical AI Centre du Centenary Institute ; Royal North Shore Hospital ; The Skin Hospital, Sydney). L'étude est approuvée par le comité d'éthique de l'université de Sydney (HREC 2017/021), sans financement déclaré ni conflit d'intérêts ; la licence est CC BY-NC-ND 4.0. Les données sont fournies sur demande et aucun dépôt de code n'accompagne l'article. Sur l'IA en cancérologie cutanée et les pièges de validation, voir nos décryptages sur la classification en cascade des lésions dermoscopiques et sa validation clinique externe, sur l'effondrement d'un modèle de deep learning à la validation externe, et sur forêts aléatoires contre deep learning quand les données sont peu nombreuses.

Transparence éditoriale : version française rédigée et signée par la rédaction de Tatakoto à partir de la lecture du préprint. Les valeurs de sensibilité et de spécificité au seuil retenu ne figurent pas dans le corps du préprint et ne sont donc pas rapportées ici. Traductions anglaise, espagnole et chinoise produites avec assistance IA et relues.