Vision par ordinateur : ce que les algorithmes ne voient pas dans les images médicales

L’intuition voudrait qu’un système capable d’analyser des milliers de clichés en quelques secondes soit plus fiable qu’un œil humain fatigué. Or, dans le domaine du diagnostic médical, la majorité des échecs des algorithmes de vision par ordinateur ne provient pas d’une mauvaise lecture de l’image, mais de ce qui l’entoure. Un modèle peut parfaitement détecter une anomalie sur une radio, puis se tromper sur le même cliché si l’angle de prise de vue change légèrement. Cette fragilité, souvent invisible dans les démonstrations, conditionne pourtant l’usage réel de ces outils dans les hôpitaux.

La détection d’anomalies : un apprentissage statistique, pas une compréhension anatomique

Les systèmes de vision par ordinateur utilisés en radiologie, en dermatologie ou en ophtalmologie fonctionnent par apprentissage supervisé. On leur présente des milliers d’images annotées par des médecins, avec ou sans pathologie. L’algorithme apprend alors des régularités statistiques : des motifs de pixels, des contrastes, des textures qui correspondent aux zones marquées comme anormales.

Cette approche diffère fondamentalement du raisonnement d’un clinicien. Ce dernier s’appuie sur une connaissance de l’anatomie, des variations normales entre patients, et du contexte clinique. L’algorithme, lui, ne connaît que des corrélations. Il peut associer la présence d’un petit artefact métallique à une fracture, ou ignorer une tumeur si elle se situe dans une zone où les exemples d’entraînement étaient rares.

Les performances annoncées sur des bases de données publiques sont souvent élevées, mais elles chutent lorsque le système est testé sur des images provenant d’un autre hôpital, avec un autre appareil. Ce phénomène, appelé « dérive de domaine », explique pourquoi un modèle performant en laboratoire peut devenir inutilisable en pratique courante.

L’aide au tri des patients plutôt que le remplacement du médecin

L’application la plus répandue aujourd’hui n’est pas le diagnostic autonome, mais le tri des examens. Dans les services d’urgence, des logiciels classent les radiographies du thorax ou les scanners cérébraux par ordre de priorité. Un cliché jugé normal par l’algorithme est envoyé en queue de file, tandis qu’une image suspecte est signalée au radiologue pour une relecture immédiate.

Ce fonctionnement réduit les délais de prise en charge pour les cas graves, sans retirer la décision finale au médecin. Il présente aussi un avantage pratique : les modèles utilisés pour le tri sont entraînés sur des catégories larges, comme « présence d’une hémorragie » ou « signe de pneumonie », ce qui les rend plus robustes que les systèmes conçus pour identifier une pathologie précise.

D’autres outils assistent la mesure. En ophtalmologie, la vision par ordinateur permet de quantifier l’épaisseur de la rétine sur des tomographies, une tâche fastidieuse et variable lorsqu’elle est effectuée manuellement. L’algorithme fournit une mesure standardisée, mais le diagnostic final repose toujours sur l’interprétation du spécialiste, qui intègre l’histoire du patient et d’autres examens.

Les biais d’entraînement et les conditions d’une utilisation fiable

Les limites les plus documentées concernent la représentativité des données d’apprentissage. Un modèle entraîné principalement sur des images de peaux claires aura des difficultés à détecter des mélanomes sur des peaux plus foncées. De même, un système nourri d’examens de patients adultes peut mal interpréter les variations anatomiques chez l’enfant ou la femme enceinte.

Les conditions d’acquisition jouent également un rôle central. La position du patient, la puissance de l’appareil, la présence de prothèses ou de bandages modifient l’image. Un algorithme entraîné sur des clichés standardisés peut échouer sur des images de qualité dégradée, pourtant fréquentes dans les services de soins d’urgence.

Pour limiter ces risques, plusieurs pratiques se développent. La validation externe, qui consiste à tester le modèle sur des données qu’il n’a jamais vues, provenant d’autres centres, est devenue un prérequis dans les publications sérieuses. Les comités d’éthique hospitaliers demandent également un suivi continu des performances après déploiement, car les populations de patients et les appareils évoluent dans le temps.

Enfin, la supervision humaine reste obligatoire dans la plupart des cadres réglementaires. L’algorithme propose, le médecin dispose. Cette répartition des rôles évite les erreurs liées aux corrélations trompeuses, comme celles qui surviennent lorsqu’un modèle associe la présence d’un tube endotrachéal à une pathologie pulmonaire, alors que ce tube est simplement un élément du matériel de réanimation.

La vision par ordinateur modifie donc la pratique médicale non pas en remplaçant le regard du clinicien, mais en le réorganisant. Elle accélère le tri, standardise certaines mesures, et attire l’attention sur des zones que l’œil pourrait négliger. Son déploiement réussi dépend moins de la précision brute des algorithmes que de la qualité des données d’entraînement, de la transparence sur leurs limites, et de la capacité des services à intégrer ces outils dans des flux de travail où la décision finale demeure humaine.