Comment l’IA a transformé la recherche sur le cancer jusqu’à présent en 2026

L’intelligence artificielle est devenue omniprésente dans la vie de nombreuses personnes résidant dans les sociétés industrialisées. Selon le Pew Research Center, 63 % des adultes aux États-Unis utilisent l’IA plusieurs fois par semaine ou plus, et 31 % d’entre eux déclarent utiliser l’IA plusieurs fois par jour. Nous rencontrons fréquemment l’IA dans notre vie quotidienne, via les chatbots du service client, les trackers de fitness et même nos e-mails qui identifient certains contenus comme étant du spam. Avec une telle universalité, il n’est pas surprenant qu’il y ait une très forte poussée en faveur de l’utilisation de l’IA dans l’innovation et la recherche en matière de soins de santé. Notamment, plusieurs revues publiées cette année ont mis en évidence les outils d’IA dans le cancer du pancréas, de la prostate et du sein. Il existe de nombreuses utilisations émergentes de ces outils, notamment la détection diagnostique précoce, le ciblage de médicaments et l’identification de mutations.

L’un des avantages potentiels de l’utilisation de l’IA dans le traitement du cancer est la détection précoce du cancer du pancréas. Cette forme de cancer est particulièrement mortelle et les taux d’incidence sont en augmentation. Une complication du cancer du pancréas est qu’il est très difficile à détecter à un stade précoce, car l’imagerie semble largement normale au cours des premiers stades, de sorte qu’il passe souvent inaperçu jusqu’à ce qu’il se soit déjà propagé. Cependant, la détection précoce est extrêmement importante pour améliorer les résultats. Une recherche publiée cette année a révélé qu’un outil d’IA connu sous le nom de Radiomics-based Early Detection MODel (REDMOD) permettait une détection précoce de la forme la plus courante de cancer du pancréas à un rythme deux fois plus rapide que les méthodes radiologiques actuelles. Bien qu’il ne soit pas parfait, ce projet présente néanmoins des améliorations prometteuses en matière de matériel de diagnostic.

En plus d’améliorer la détection du cancer, les méthodes d’IA ont montré leur potentiel dans les thérapies ciblées impliquées dans le traitement du cancer. Étant donné que l’IA peut être utilisée pour combiner et analyser efficacement de nombreux ensembles de données, il existe une opportunité d’améliorer l’identification des cellules et des protéines sur lesquelles il serait utile d’orienter le traitement. De plus, les modèles d’IA peuvent être utilisés pour prédire comment un médicament pourrait interagir avec des cibles ou avec d’autres médicaments pris par le patient.

Une fois qu’une cible potentielle pour un médicament aura été identifiée, l’IA pourrait également contribuer à la conception de médicaments. Les modèles informatiques pourraient présenter de nouvelles structures moléculaires et affiner leurs propriétés chimiques afin d’améliorer leur efficacité. Des modèles supplémentaires peuvent être utilisés pour prédire dans quelle mesure un composé particulier pourrait se lier au site biologique ciblé. Ces outils pourraient contribuer à rationaliser le processus de découverte de médicaments et à améliorer la sécurité des tests.

Ces innovations présentent des opportunités pour améliorer la médecine personnalisée. De nombreux résultats variés du cancer sont affectés par les différences dans les mutations des cellules tumorales. Des modèles d’IA ont été mis en œuvre pour analyser l’imagerie de ces tumeurs et utiliser le phénotype présenté pour informer et prédire les mutations génétiques. De tels outils sont particulièrement utiles lorsqu’il y a peu de tissu tumoral à analyser, et il s’agit d’un processus plus rapide que les tests génétiques. Par conséquent, de telles méthodes pourraient contribuer à améliorer les soins spécifiques aux patients ainsi qu’à accroître l’efficacité.

Bien entendu, il est important de rappeler que ces méthodes évoluent et qu’elles sont loin d’être parfaites. Par conséquent, l’utilisation de l’IA n’exclut certainement pas la nécessité de recourir à des méthodes de recherche scientifiques supplémentaires. Après tout, les données utilisées pour éclairer les modèles d’IA ne sont devenues disponibles que grâce à la recherche fondamentale et clinique. De plus, bon nombre de ces méthodes nécessitent encore une validation approfondie. Ainsi, même si ces techniques émergentes peuvent contribuer à rationaliser et à éclairer les pratiques de recherche et les traitements, des analyses bien plus approfondies sont nécessaires pour déterminer leur exactitude et leur efficacité.

Par exemple, bien que REDMOD ait montré une détection précoce accrue du cancer du pancréas, il a également signalé certaines images comme cancéreuses alors qu’elles ne l’étaient pas. Sur 430 cas témoins, REDMOD en a signalé 81, soit un taux de faux positifs de près de 19 %. De plus, bien que le cancer ait été correctement détecté dans 73 % des images de patients ayant reçu un diagnostic de cancer, il convient également de noter que la taille de l’échantillon de patients atteints de cancer était significativement plus petite que celle du groupe témoin, soit 63 contre 430, respectivement. Ainsi, une analyse plus approfondie restera nécessaire, même avec ces outils.

Outre les limitations décrites, nombreux sont ceux qui s’inquiètent de la manière dont la formation de ces modèles d’IA pourrait affecter la vie privée des patients. Un autre défi consiste à garantir que les algorithmes sont complets pour éviter les biais. Par conséquent, même si ces innovations sont prometteuses, de nombreuses limites persistent et doivent être résolues. Un recours prématuré à ces modèles pourrait entraîner de plus grandes disparités en matière de santé.