L’intelligence artificielle face au réel du cancer

Avec le Dr Sarah Watson de l’Institut Curie, Société Générale ouvre un débat décisif sur l’avenir du soin

À Monaco, devant le club de femmes de Société Générale, le Dr Sarah Watson, oncologue médicale et chercheuse à l’Institut Curie, a proposé une lecture concrète de l’intelligence artificielle en santé. Loin des promesses vagues, elle a montré comment ces outils transforment déjà le diagnostic, orientent les traitements et améliorent, dans certains cas, la survie de patients atteints de cancers particulièrement complexes. Une intervention dense, lucide, qui replace l’IA non du côté du fantasme technologique, mais du côté de la décision clinique.

Dans les débats sur l’intelligence artificielle, les superlatifs vont souvent plus vite que les preuves. On promet des révolutions, on agite des peurs, on annonce des bouleversements radicaux. Mais lorsqu’une médecin chercheuse prend la parole depuis le terrain du cancer, le regard change. L’abstraction cède la place à l’expérience. La technologie redevient un outil. Et la question centrale redevient celle-ci : à quel moment l’innovation améliore-t-elle réellement la prise en charge des patients ?

C’est précisément ce déplacement qu’a opéré le Dr Sarah Watson lors d’une conférence organisée à Monaco par Société Générale pour son club de femmes. La conférence s’inscrivait dans une dynamique à la fois relationnelle et sociétale. Les organisateurs ont rappelé leur volonté de faire vivre une communauté d’échange et de réflexion. Ils ont également souligné l’engagement de la banque en faveur de l’Institut Curie, notamment à travers des campagnes de soutien liées à Octobre Rose. Mais très vite, l’essentiel s’est imposé : parler du cancer, parler de recherche, parler de ce que l’IA change déjà dans la médecine.

Une parole crédible, parce qu’ancrée dans le soin

Le Dr Sarah Watson n’intervient pas depuis un observatoire lointain de l’innovation. À l’Institut Curie, elle partage son activité entre la clinique et la recherche. En tant qu’oncologue médicale, elle traite des patients atteints de cancers, en particulier de formes rares et agressives. En tant que chercheuse, elle dirige une équipe qui travaille au développement d’outils d’intelligence artificielle appliqués à l’oncologie.

Cette double position donne à son discours une force particulière. Elle connaît à la fois les promesses des algorithmes et les contraintes du réel hospitalier. Elle sait ce qu’un modèle peut apporter. Elle sait aussi ce qu’il ne voit pas, ce qu’il ne comprend pas, ce qu’il faut encore interpréter. C’est sans doute ce qui a donné à sa conférence sa justesse. Il ne s’agissait ni de vendre l’IA, ni de la craindre par principe, mais de l’évaluer à l’aune de ce qu’elle permet déjà de faire dans le parcours du patient.

L’introduction consacrée à l’histoire de l’IA et à ses grandes définitions a été évoquée rapidement. Oui, l’intelligence artificielle ne date pas de 2022. Oui, le machine learning et le deep learning correspondent à des niveaux distincts de sophistication algorithmique. Oui, tout repose sur deux leviers fondamentaux : les données et la puissance de calcul. Mais l’intérêt de l’intervention était ailleurs. Il résidait dans cette question, infiniment plus concrète : que peut faire l’IA lorsqu’un médecin doit diagnostiquer un cancer, en comprendre l’origine ou choisir un traitement ?

Le cancer, une maladie qui produit des données à chaque étape

L’un des apports les plus éclairants de la conférence fut de montrer que l’oncologie est devenue un terrain privilégié pour l’IA parce qu’elle génère une masse considérable de données. Avant même le diagnostic, il y a les données de prévention et de dépistage : mammographies, examens d’imagerie, antécédents. Au moment du diagnostic, s’ajoutent les images radiologiques, les lames d’anatomopathologie, les comptes rendus médicaux, les profils moléculaires des tumeurs. Pendant le traitement, viennent encore se superposer les réponses thérapeutiques, les effets secondaires, les trajectoires évolutives. Puis, dans le suivi, de nouvelles données apparaissent.

Autrement dit, le cancer laisse partout des traces mesurables. Or c’est précisément là que l’intelligence artificielle devient intéressante. Elle excelle lorsqu’il s’agit de repérer des motifs, de détecter des corrélations, de classer des formes, de prédire des évolutions à partir de grands volumes d’informations. Ce n’est pas une intelligence au sens humain du terme. C’est une capacité statistique et computationnelle à trouver, dans le bruit des données, des signaux que l’œil ou l’esprit humain ne perçoivent pas toujours.

Voir ce que le médecin ne voit pas toujours

La première famille d’applications présentées concerne l’analyse d’images. En oncologie, cette dimension est centrale. Une tumeur se lit dans une mammographie, dans un scanner, dans un PET scan, dans une image histologique. Or, ces images peuvent désormais être analysées par des modèles entraînés sur des milliers, parfois des centaines de milliers de cas.

Le Dr Watson a rappelé qu’un premier tournant avait été franchi dans le domaine dermatologique. Des outils ont appris à distinguer des lésions bénignes de lésions cancéreuses à partir d’images de peau. Dans certains travaux, ces systèmes ont dépassé les performances de dermatologues expérimentés. L’enjeu n’est pas de disqualifier le spécialiste. Il est de comprendre qu’une machine, lorsqu’elle est bien entraînée, peut devenir une aide puissante pour repérer des signaux précoces, homogénéiser les lectures et réduire certaines erreurs.

La mammographie est un autre exemple majeur. Ici, l’intérêt de l’IA est double. Elle peut améliorer la détection d’un cancer déjà présent, mais aussi contribuer à estimer le risque qu’un cancer apparaisse dans les années suivantes à partir d’images jugées normales. La perspective est considérable. Elle ouvre la voie à un dépistage moins uniforme, donc plus personnalisé. Au lieu d’appliquer le même rythme de surveillance à toutes les femmes, on pourrait imaginer des parcours modulés selon le risque réel. Certaines seraient rassurées et suivies plus légèrement. D’autres, identifiées comme plus exposées, bénéficieraient d’un contrôle plus rapproché.

Ce basculement n’est pas anodin. Il touche à une question sensible : comment sortir d’une médecine de masse sans tomber dans une médecine opaque ? Car personnaliser suppose aussi expliquer. Et c’est là qu’apparaît l’une des tensions majeures de l’IA médicale : un outil peut être performant sans être immédiatement intelligible pour celui qui l’utilise.

L’anatomopathologie entre dans une nouvelle ère

L’un des passages les plus intéressants de la conférence a concerné l’anatomopathologie, ce domaine où les tissus prélevés chez les patients sont observés au microscope pour confirmer et qualifier le cancer. Ce que le Dr Watson a rappelé est essentiel : une image histologique n’est pas seulement une photographie. C’est un concentré d’informations biologiques. Dans l’organisation d’une tumeur, dans l’architecture cellulaire et dans certaines textures invisibles à l’analyse humaine classique, la machine peut détecter des signaux pertinents.

Ils renseignent sur l’agressivité de la maladie, le risque de récidive, la sensibilité aux traitements ou certaines caractéristiques génétiques.

Nous entrons ici dans une médecine augmentée par l’inférence. À partir d’une simple image, l’algorithme n’identifie pas seulement ce qui est là. Il suggère ce qui pourrait arriver. Il ne lit plus seulement le présent de la tumeur. Il commence à projeter son avenir probable. Pour les équipes médicales, cela signifie potentiellement des décisions plus précoces, des choix thérapeutiques mieux calibrés, une capacité renforcée à stratifier les risques.

Le cas le plus frappant : les cancers primitifs inconnus

Mais c’est en abordant les cancers primitifs inconnus que l’intervention a pris toute sa portée. Ces cancers comptent parmi les situations les plus redoutées en oncologie. Le patient arrive avec des métastases. Le cancer a donc déjà diffusé. Pourtant, malgré les biopsies, l’imagerie et les examens complémentaires, les médecins ne parviennent pas à identifier l’organe d’origine. On sait que la maladie est là. On voit ses conséquences. Mais on ignore son point de départ.

Cette situation ne relève pas d’une simple frustration intellectuelle. Elle entraîne des conséquences thérapeutiques majeures. En oncologie, les traitements restent largement déterminés par le type tumoral initial. Chaque cancer répond à des logiques spécifiques. Lorsque l’origine demeure inconnue, la prise en charge devient empirique. Des traitements à large spectre sont administrés, avec une efficacité souvent limitée et un pronostic défavorable.

Le Dr Watson a raconté le cas d’un patient de 32 ans adressé à l’Institut Curie avec de nombreuses métastases visibles au PET scan. La première hypothèse clinique évoquait un sarcome. La biopsie a finalement écarté cette piste, sans apporter de réponse claire. Le compte rendu anatomopathologique suggérait plusieurs origines possibles sans permettre de trancher. Pour l’oncologue, c’est une impasse. La maladie progresse. Le temps compte. Mais l’identité de la tumeur se dérobe.

Quand l’empreinte moléculaire devient une boussole

C’est ici que l’équipe du Dr Watson a formulé une hypothèse décisive. Même lorsqu’un cancer devient métastatique et semble avoir perdu son visage initial, il garde peut-être une mémoire de son organe d’origine. Non pas dans sa forme visible, mais dans son empreinte moléculaire. À partir de là, le raisonnement est devenu expérimental : entraîner une IA sur des milliers de profils génétiques de cancers connus, puis lui soumettre des tumeurs d’origine inconnue pour voir si elle peut reconnaître leur signature.

Le projet a mobilisé plus de 20 000 échantillons moléculaires issus de bases européennes et américaines. Dans un premier temps, l’équipe a laissé la machine travailler en mode non supervisé. Aucune étiquette ne lui a été fournie. Elle devait regrouper seule les profils selon leurs similarités. Le résultat fut frappant : les échantillons se sont organisés spontanément par familles tumorales. Cela signifiait que les signatures moléculaires des grands types de cancers étaient suffisamment distinctes pour émerger d’elles-mêmes dans l’espace algorithmique.

Dans un second temps, l’outil a été appliqué à des cancers primitifs inconnus. Dans environ 80 % des cas, il a pu proposer une origine probable. Pour le patient présenté durant la conférence, la machine a conclu, avec un score élevé, à un cancer du rein. Cette prédiction changeait immédiatement la stratégie thérapeutique. Les cancers du rein métastatiques répondent mal à certaines chimiothérapies classiques. Suivre le schéma standard des primitifs inconnus aurait donc vraisemblablement conduit à un échec. L’équipe a choisi d’assumer la prédiction de l’IA et de traiter comme un cancer rénal. Le patient a obtenu une réponse complète prolongée, puis une survie de plusieurs années, là où l’espérance de vie attendue était de quelques mois.

Le plus important n’est pas l’effet spectaculaire du cas individuel. Le plus important est la logique qu’il révèle. L’IA ne remplace pas le raisonnement médical. Elle le réoriente. Elle ouvre une hypothèse que la clinique seule n’avait pas permis de stabiliser. Elle rend possible une décision plus spécifique. Elle transforme l’incertitude en piste d’action.

Du laboratoire à la réunion de concertation pluridisciplinaire

Le second mérite de ce travail est son passage du laboratoire au soin. Trop de projets d’IA s’arrêtent au stade de la publication scientifique. Celui-ci a été intégré à une réunion de concertation pluridisciplinaire nationale dédiée aux cancers primitifs inconnus. Autrement dit, l’algorithme n’est pas resté un prototype. Il est devenu un outil d’aide à la décision dans une organisation clinique réelle.

Les résultats présentés sont significatifs. Dans plus de 70 % des cas, l’usage de cette approche modifie le diagnostic retenu. Et lorsque le traitement est orienté sur la base de la prédiction fournie par l’IA, la survie globale médiane augmente nettement. Le Dr Watson a cité un passage de 11 à 19 mois. Ces chiffres ne doivent pas être surinterprétés. Ils ne signifient pas que l’IA guérit des cancers incurables. Mais ils indiquent qu’elle peut améliorer concrètement la qualité de l’orientation thérapeutique. En oncologie, où chaque mois gagné a du poids, cette progression est loin d’être marginale.

Les défis sont désormais politiques, organisationnels et humains

Cette conférence n’était pas un plaidoyer naïf en faveur d’une automatisation sans frein. Le Dr Watson a insisté sur les limites et les obstacles. Le premier tient aux données. En France et en Europe, elles existent, mais elles restent mal harmonisées, difficiles à partager, enfermées dans des systèmes d’information hétérogènes. Le second tient à l’évaluation. Trop d’outils émergent sans cadre suffisamment robuste pour comparer leurs performances, vérifier leur validité sur des jeux de données indépendants et garantir leur sécurité réelle. Le troisième défi est humain : les médecins ne sont pas encore formés à travailler avec ces outils.

La remarque est importante. Le problème n’est pas seulement technologique. Il est culturel. Il faut apprendre aux praticiens à lire les résultats produits par ces systèmes, à en comprendre les angles morts, à en discuter les recommandations. Il faut également clarifier les responsabilités. Si l’IA suggère une stratégie erronée, qui répond ? Le praticien, aujourd’hui, demeure juridiquement au centre. Cela suppose que l’IA reste un appui, pas un substitut.

Une médecine plus humaine grâce à la machine ?

La chute de l’intervention, peut-être la plus forte, a porté sur un paradoxe. Certains travaux comparant les réponses de médecins et de chatbots à des questions de patients montrent que les systèmes conversationnels sont parfois jugés plus empathiques. Faut-il en conclure que la machine devient plus humaine que le soignant ? Le Dr Watson a eu l’intelligence de tempérer ce constat. Un chatbot n’est jamais fatigué. Il ne termine pas sa journée après des heures de consultations, de dossiers, d’urgences, d’annonces difficiles. Il répond toujours avec la même disponibilité apparente.

Mais la vraie leçon est ailleurs. Si l’IA prend en charge des tâches répétitives, facilite la synthèse des données et accélère l’orientation des décisions complexes, elle peut libérer du temps médical.

Ce temps peut être réinvesti dans ce qui reste essentiel : l’attention portée au patient. Du temps pour regarder, pour expliquer, pour accompagner, pour douter avec le patient, pour exercer pleinement ce discernement humain que nul algorithme ne remplace.

À Monaco, ce jour-là, l’intelligence artificielle n’a pas été présentée comme un mythe de puissance. Elle est apparue pour ce qu’elle devient en cancérologie : un instrument de précision dans des situations où la médecine seule se heurte parfois à ses limites. Cela ne diminue pas le médecin. Cela rend sa responsabilité plus exigeante encore. L’avenir n’opposera sans doute pas la machine au soignant. Il distinguera plutôt deux pratiques : celle qui saura intégrer l’IA avec rigueur, et celle qui restera à distance d’une transformation déjà engagée. En médecine, comme souvent, l’innovation n’a de sens que lorsqu’elle sert la justesse du geste et la dignité du soin.