DIAMELEX, l'aide au diagnostic par l'exemple

Le mélanome constitue un problème majeur de santé publique avec 10 000 nouveaux cas par an en France, occasionnant 1 700 décès. Le mélanome est responsable de 80% de la mortalité liée au cancer de la peau. Le nombre de nouveaux cas augmente de 5% par an depuis 50 ans, une croissance supérieure à celle de tous les autres cancers (INCa, les cancers en France, janvier 2014). Si le diagnostic intervient tôt dans l’évolution de la lésion, le taux de survie relative à 5 ans est de 88% pour les stades localisés.  À contrario, l'espoir de survie à 5 ans d’une personne atteinte d’un mélanome à un stade avancé, avec des métastases, se situe largement sous la barre de 20%. Détecter un mélanome de façon précoce, alors que relativement peu de signes de malignité apparaissent sur la lésion est donc essentiel, mais s'avère difficile. En fait, compte tenu des enjeux, au moindre doute, le dermatologue décidera l’exérèse de la lésion. Dans ces conditions, il n’est pas surprenant de constater que 95% des décisions d’intervention sont  finalement inutile (faux positifs). Les algorithmes de machine learning montrent toute leur efficacité pour l’examen des cas douteux. Le nombre de faux positifs peut être réduit d’un facteur de 2 à 4 par le classifieur, qui, à l’inverse des dermatologues, a acquis une grande part de son expertise à partir de ces cas. Cependant, en pratique, l’avis du classifieur ne lèvera sans doute pas le doute du dermatologue dans les situations où le risque de passer à côté du diagnostic du mélanome constitue un élément important de la décision thérapeutique. Qu’elle décision doit-il prendre par exemple quand le classifieur annonce une probabilité de 1% que la lésion observée soit un mélanome ? Dans le cadre du projet DIAMELEX, nous allons concevoir un programme de recherche visant à construire une aide au diagnostic originale faisant appel aux capacités de décision du clinicien, en lui fournissant des éléments supplémentaires d’information contextuelle (réalité augmentée) : en temps réel et de manière automatique au cours de l’examen d’une lésion mélanocytaire. Nous proposons de présenter au dermatologue des images semblables, sur le plan dermatologique, au cas étudié et pour lesquelles le diagnostic est connu et certifié. Pour réaliser le projet DIAMELEX, nous allons structurer une grande base d’images de lésions mélanocytaires en fonction de leurs ressemblances telles qu’elles sont perçues par les dermatologues, en se basant sur les travaux récents dans le domaine de l’intelligence artificielle.