médical IA

Détection de polypes en coloscopie : entraînés sur des clips curés, les modèles s’effondrent sur les examens complets

Publié le 20 août 2026 · 13 min lecture

Six chercheurs du xAILab de l'université de Bamberg réentraînent quatre détecteurs d'objets temps réel — Faster R-CNN, YOLOv8, YOLOv11 et RT-DETR — sur des jeux de coloscopie découpés autour des polypes, puis les testent sur 60 examens complets et non montés. La chute est nette : YOLOv11 passe d'une mAP50 de 0,724 sur le benchmark SUN à 0,164 sur les procédures entières, et sa sensibilité par image tombe à 0,240 à taux de fausses alertes égal. L'asymétrie est le vrai résultat : dans l'autre sens, les modèles entraînés sur les examens complets conservent 0,705 à 0,717 de mAP50 en revenant sur SUN — ce sont les benchmarks curés qui ne préparent à rien, pas les données réelles qui seraient trop dures.

Le contexte

La coloscopie est l'examen de référence pour prévenir le cancer colorectal : on cherche des lésions précancéreuses — les polypes — et on les retire dans le même geste. Le problème est ancien et documenté : les taux de lésions manquées atteignent 27 % selon les séries citées par les auteurs. Un polype apparaît quelques secondes, derrière un pli, dans un reflet spéculaire ou un flou de mouvement, et l'endoscopiste passe à côté.

D'où les systèmes de CADe (computer-aided detection, détection assistée par ordinateur) : un détecteur d'objets tourne en temps réel sur le flux vidéo et encadre les polypes suspects à l'écran, comme un filet de sécurité. Plusieurs produits sont commercialisés — GI Genius de Medtronic, EndoAID d'Olympus — et des essais randomisés ont montré des gains de taux de détection d'adénomes. Pourtant, le déploiement large reste lent, et l'écart entre les performances publiées et le comportement en salle d'examen reste mal expliqué.

L'hypothèse de ce papier porte sur les données, pas sur les architectures. Les jeux de données publics de coloscopie sont presque tous centrés sur la lésion : on y a découpé des clips ou des images autour des polypes. Or un examen réel, c'est vingt à trente minutes dont l'écrasante majorité ne contient aucun polype — de la muqueuse saine, des instruments, du liquide de lavage, des passages à vide pendant la progression et le retrait. Entraîner et évaluer un détecteur sur des clips curés revient à ne jamais lui montrer ce à quoi il devra dire non pendant 95 % de sa vie professionnelle.

La méthode

Le protocole. Les auteurs établissent TRUE-Colon, un protocole d'évaluation standardisé sur REAL-Colon (Biffi et coll., Scientific Data, 2024) : 60 coloscopies complètes, non montées, provenant de quatre centres, avec une séparation stricte au niveau du patient et une répartition 10/2/3 vidéos par centre — soit 40 vidéos d'entraînement, 8 de validation et 12 de test. Le jeu d'entraînement compte 1 706 635 images dont 86,5 % sans polype annoté ; le jeu de test, 572 085 images dont 85,7 % négatives.

Face à lui, deux benchmarks curés. SUN : des clips vidéo, 70 positifs et 7 négatifs à l'entraînement, 76 % d'images négatives au test — curé au niveau du clip. PICCOLO (Biobanque basque) : des images fixes, 2 203 à l'entraînement dont 20 négatives, et un jeu de test de 333 images contenant une seule image négative. Sur un tel jeu, mesurer un taux de fausses alertes n'a mathématiquement aucun sens — et c'est pourtant le format standard d'une partie de la littérature.

Les quatre caractéristiques mesurées. C'est la contribution méthodologique. Au-delà de la précision de localisation (la mAP50, précision moyenne quand la boîte prédite recouvre au moins 50 % de la boîte de référence), TRUE-Colon quantifie trois choses que les benchmarks curés ne peuvent pas mesurer : la charge de fausses alertes (proportion d'images sans polype qui déclenchent quand même une alerte), la latence de détection (nombre d'images entre l'apparition de la lésion et la première détection valide) et la fiabilité temporelle (une lésion est dite persistante si elle est détectée sur au moins la moitié des images où elle est visible — un encadré qui clignote une fois n'a pas la même valeur clinique qu'un encadré qui tient).

Les modèles. Quatre détecteurs temps réel dans leur recette par défaut, entrée 640 × 640, 100 époques avec arrêt anticipé, trois graines aléatoires : Faster R-CNN et RT-DETR d'un côté (le second est un transformer, architecture à mécanisme d'attention, plus gourmande en données), YOLOv8-M et YOLOv11-M de l'autre (convolutionnels, plus rapides).

Le point de fonctionnement apparié. C'est le geste le plus important du papier. Comparer des détecteurs au même seuil de confiance — typiquement 0,2 — est trompeur, parce que chaque architecture calibre ses scores différemment : au même seuil nominal, l'un déclenche deux fois plus souvent que l'autre. Les auteurs choisissent donc pour chaque modèle un seuil propre, noté tau-étoile, tel que le taux de fausses alertes par image tombe dans une fourchette de 4 à 5 %. On compare alors des sensibilités à charge d'alerte égale, ce qui est la seule comparaison cliniquement lisible.

Les résultats

Sur les benchmarks curés, tout va bien. SUN vers SUN : mAP50 de 0,689 à 0,738 selon l'architecture, sensibilité par image autour de 0,73 pour un taux de fausses alertes de 4 à 5 %. PICCOLO vers PICCOLO : YOLOv11 atteint 0,770. C'est le tableau que produit la littérature standard.

Sur les examens complets, l'effondrement. Les mêmes modèles entraînés sur SUN, testés sur REAL-Colon à charge de fausses alertes appariée : YOLOv11 tombe de 0,724 à 0,164 de mAP50, avec une sensibilité de 0,240 ; RT-DETR de 0,689 à 0,225 (sensibilité 0,310) ; Faster R-CNN à 0,220 (0,290). Entraînés sur PICCOLO, c'est pire : YOLOv11 à 0,059, et RT-DETR à 0,012 avec une sensibilité de 0,007 — le modèle ne détecte pratiquement plus rien.

Et l'asymétrie. Dans l'autre sens, les modèles entraînés sur les 40 examens complets et testés sur SUN conservent des mAP50 de 0,705 (YOLOv11), 0,714 (YOLOv8) et 0,717 (RT-DETR) — c'est-à-dire à parité, voire au-dessus, de ce qu'obtiennent les mêmes architectures entraînées sur SUN lui-même. Sur PICCOLO, le transfert descend à 0,554–0,645, ce qui reste très au-dessus du transfert inverse. Autrement dit : la vidéo complète contient l'information des clips curés, l'inverse est faux.

En condition réaliste. Entraînés et testés sur REAL-Colon, au seuil fixe 0,2, RT-DETR domine en apparence (mAP50 0,488 ; sensibilité 0,720) — mais à un taux de fausses alertes de 8,2 % contre 1,7 à 2,0 % pour les YOLO. Une fois les points de fonctionnement appariés autour de 4,3–4,6 %, l'écart se referme largement : RT-DETR 0,651 de sensibilité, YOLOv8 0,605, YOLOv11 0,573, Faster R-CNN 0,463. RT-DETR garde l'avantage sur la latence (38,3 images en moyenne avant première détection, contre 46,8 pour YOLOv8 et 63,9 pour Faster R-CNN) et sur la persistance (17,3 lésions sur 21 détectées de manière persistante, contre 11,7 pour Faster R-CNN), mais les auteurs précisent eux-mêmes que ces écarts au niveau lésionnel tiennent dans la variance entre graines sur 21 lésions de test, et doivent se lire comme des tendances.

La traduction clinique. Un taux de fausses alertes de 4,3 % par image paraît anodin. Sur le jeu de test de REAL-Colon, ce sont 489 979 images négatives réparties sur 12 examens, soit environ 40 800 images sans polype par examen — près de 23 minutes à 30 images par seconde. À 4,3 %, cela représente de l'ordre de 1 750 images d'alerte injustifiée par examen, soit près d'une minute cumulée pendant laquelle un cadre s'allume sur une muqueuse saine. Ce calcul est notre extrapolation à partir des chiffres du papier, et les auteurs sont explicites sur sa limite : une mesure par image ne distingue pas une alerte continue de trente secondes de mille interruptions isolées, alors que ces deux scénarios n'ont rien à voir du point de vue de l'endoscopiste.

Repère. En annexe, les auteurs rapprochent leurs chiffres de ceux publiés par Troya et coll. sur les systèmes commerciaux : GI Genius v1 à 0,506 de sensibilité pour 2,8 % de fausses alertes, GI Genius v2 à 0,679 pour 3,8 %, EndoAID A à 0,656 pour 2,5 %. Les détecteurs ouverts évalués ici atteignent 0,60 à 0,72 de sensibilité mais pour environ 4,5 % de fausses alertes. Comparaison contextuelle seulement — jeu de données et pipeline différents — mais elle situe l'écart restant : il porte sur le contrôle des faux positifs, pas sur la sensibilité brute.

Ce qui est bien

Le protocole mesure ce que les benchmarks ne mesurent pas. Charge de fausses alertes, latence et persistance sont trois grandeurs qui décident de l'utilisabilité clinique d'un CADe, et aucune des trois n'est calculable sur un jeu d'images fixes. Les auteurs le démontrent au sens propre en montrant que le jeu de test de PICCOLO contient une seule image négative. C'est une contribution structurante, pas une architecture de plus.

L'appariement des points de fonctionnement neutralise un piège récurrent. Comparer des architectures à seuil de confiance identique confond la qualité du modèle avec la calibration de ses scores. Le papier montre l'effet chiffré : à seuil 0,2, RT-DETR semble largement supérieur ; à charge d'alerte égale, l'écart de sensibilité avec YOLOv8 passe de 21 points à moins de 5. Beaucoup de classements publiés dans ce domaine ne survivraient pas à cette normalisation.

La transparence sur les limites est inhabituellement précise. Les auteurs signalent eux-mêmes six restrictions, dont deux qui affaiblissent directement leurs propres conclusions : le seuil tau-étoile est sélectionné sur le jeu de test, et la comparaison curé/procédure confond la réalisme des données avec leur échelle et leur prévalence de négatifs. Le code est publié sur GitHub, REAL-Colon est en CC BY 4.0, le financement est public (Hightech Agenda Bayern), aucun conflit d'intérêts déclaré.

Ce qui est moins bien

Le seuil de comparaison est choisi sur le jeu de test. Les auteurs le disent : tau-étoile est fixé a posteriori sur les données d'évaluation pour égaliser les taux de fausses alertes. C'est méthodologiquement défendable pour une comparaison contrôlée entre architectures, mais cela reste une forme d'optimisme — un système déployé devrait fixer son point de fonctionnement sur un jeu de validation séparé, et verrait alors ses taux dériver. Les chiffres de sensibilité rapportés à tau-étoile sont donc des plafonds, pas des prévisions de terrain.

La preuve lésionnelle repose sur 21 lésions, dans une seule cohorte. Les métriques de latence et de persistance — celles qui portent la comparaison entre architectures — sont calculées sur vingt-et-une lésions issues de 12 examens. Les auteurs indiquent que les écarts observés tiennent dans la variance entre graines. La conclusion robuste du papier est l'asymétrie de transfert, pas le classement RT-DETR contre YOLO, et il faut résister à la tentation de lire le second comme un résultat.

Le mode d'échec sous-jacent n'est pas isolé. On peut nommer précisément ce qui se passe : les modèles entraînés sur clips curés n'ont jamais appris à rejeter le contenu non-polype, faute d'exposition — c'est un biais de distribution classique, aggravé par une métrique trompeuse (une mAP calculée sur des images presque toujours positives ne dit rien de la charge d'alerte) et par un comparateur biaisé (le seuil fixe). Mais le papier ne sépare pas la part due à la prévalence de négatifs de celle due au domaine visuel : il aurait suffi d'un contrôle entraînant sur les seules images porteuses de lésion de REAL-Colon pour trancher. Les auteurs le reconnaissent et ne l'ont pas fait. Ils signalent aussi une performance quasi nulle sur les petits polypes — précisément ceux qu'on manque en pratique.

Ce que ça change

Pour la communauté de recherche. Le message est direct : publier une mAP sur SUN ou PICCOLO ne renseigne pas sur l'utilisabilité d'un détecteur, et l'asymétrie chiffrée ici enlève l'excuse du coût. Puisque l'entraînement sur vidéo complète ne dégrade pas les performances sur les benchmarks curés — il les égale ou les dépasse — il n'y a plus de raison de continuer à s'entraîner sur des clips. Le protocole étant publié avec son code, il est directement reprenable comme grille d'évaluation minimale. La suite naturelle, que les auteurs pointent, est la modélisation temporelle : leurs quatre détecteurs sont sans mémoire, ils traitent chaque image isolément, alors que la cohérence entre images consécutives est l'information la plus évidente à exploiter pour réduire à la fois la latence et les alertes erratiques.

Pour les cliniciens. Rien ne change dans la pratique de demain : ce sont des détecteurs de recherche, pas des dispositifs marqués CE ou autorisés par la FDA. Mais le papier fournit un vocabulaire pour interroger un fournisseur de CADe : sur quelles données le modèle a-t-il été entraîné — clips curés ou examens complets ? Le taux de fausses alertes annoncé est-il mesuré sur des procédures entières, et à quel point de fonctionnement ? Combien d'alertes par examen, et non par image ? Ces trois questions discriminent, et le papier montre qu'elles ne sont pas rhétoriques.

Pour les patients et le public. L'annonce « une IA détecte les polypes avec 77 % de précision » ne veut à peu près rien dire tant qu'on ne sait pas sur quelles images le chiffre a été calculé. Ce travail montre qu'entre un jeu de test construit autour des lésions et une coloscopie réelle, le même modèle peut passer de trois quarts de bonnes détections à moins d'un quart. Ce n'est pas un argument contre l'IA en endoscopie — les systèmes commerciaux ont, eux, été évalués en conditions réelles — mais un rappel que la performance d'un modèle médical n'existe pas dans l'absolu : elle n'existe que relativement aux données sur lesquelles on l'a mesurée.

Pour aller plus loin

Tatakoto ne donne pas de conseil clinique individuel. Cet article décrit et critique une publication scientifique ; il ne recommande aucun outil ni aucune conduite diagnostique.