L’analyse faciale par IA pourrait aider à évaluer l’aptitude à recevoir un traitement contre le cancer

Des chercheurs de Mass General Brigham ont mis au point des outils d’intelligence artificielle qui analysent une photographie du visage afin d’y déceler des signaux associés à l’âge biologique et aux résultats de survie au cancer. Publiés dans Lancet Digital Health, ces travaux ouvrent la voie à une nouvelle manière potentielle de quantifier la réserve physique d’un patient avant un traitement intensif, tout en soulevant d’importantes questions sur la validation, la confidentialité et l’usage clinique approprié.

Le système s’appelle FAHR-Face, abréviation de Foundation Artificial Intelligence for Health Recognition. Il a été entraîné sur plus de 40 millions d’images de visages, puis a servi de base à deux outils distincts. FAHR-FaceAge estime l’âge biologique à partir d’une photo du visage, tandis que FAHR-FaceSurvival prédit les résultats de survie chez les patients atteints de cancer.

De l’âge chronologique à la réserve physique

L’âge chronologique est simple à enregistrer, mais il ne décrit pas pleinement la capacité d’une personne à supporter une intervention chirurgicale, une radiothérapie ou un traitement systémique. Deux personnes du même âge peuvent présenter des niveaux très différents de fragilité, de résilience et de maladies sous-jacentes. Ces différences peuvent compter lorsque les cliniciens et les patients évaluent un traitement agressif au regard de ses contraintes probables.

Selon les chercheurs, l’objectif n’est pas d’utiliser une photographie comme diagnostic autonome. Une évaluation quantitative dérivée d’une image courante pourrait plutôt compléter, à terme, l’évaluation clinique établie. Le radio-oncologue Raymond Mak, auteur correspondant de l’étude, a déclaré que le rôle prévu était de soutenir les décisions personnalisées et non de remplacer le jugement médical.

Cette distinction est essentielle. Un modèle qui identifie des schémas statistiques liés aux résultats n’établit pas pourquoi ces schémas existent chez un patient donné et ne détermine pas non plus quel traitement cette personne devrait recevoir. Au mieux, il pourrait ajouter un signal standardisé à une évaluation plus large comprenant les antécédents médicaux, l’état fonctionnel, les résultats biologiques, l’imagerie et l’examen clinique.

Ce que l’étude a montré

L’étude de développement et de validation a montré que l’écart entre l’estimation de l’âge biologique du modèle et l’âge chronologique du patient était indépendamment associé à la survie. En pratique, ces travaux suggèrent que paraître biologiquement plus âgé ou plus jeune que son âge civil, selon la mesure de ce modèle, contient des informations potentiellement pertinentes pour le pronostic.

L’équipe a également rapporté que FAHR-FaceAge était plus précise que les algorithmes antérieurs d’estimation de l’âge et que les deux outils restaient robustes face aux variations courantes des photographies. C’est important pour toute utilisation pratique future : les photos cliniques ne sont pas toujours prises avec un éclairage, une pose ou une qualité d’image identiques.

FAHR-FaceSurvival va plus loin en générant directement une prédiction de survie au cancer à partir d’une image du visage. L’article décrit des visualisations des zones faciales qui ont le plus influencé les résultats de chaque modèle. Ces explications visuelles peuvent être utiles aux chercheurs qui étudient le comportement du modèle, mais elles ne doivent pas être prises pour une simple carte de la maladie. Les systèmes d’IA peuvent s’appuyer sur des combinaisons subtiles de caractéristiques difficiles à interpréter et qui peuvent refléter des facteurs corrélés à la santé plutôt qu’une cause biologique directe.

Valeur potentielle et garanties nécessaires

Une évaluation fondée sur une photographie pourrait être intéressante parce qu’elle est non invasive et potentiellement facile à déployer à grande échelle. Si elle était validée de manière indépendante, elle pourrait aider les cliniciens à identifier les patients nécessitant une évaluation plus approfondie de la fragilité ou une discussion sur les risques et les bénéfices des soins intensifs. Elle pourrait aussi rendre certaines évaluations plus cohérentes dans les contextes où les ressources spécialisées sont limitées.

Mais le déploiement de ce type de technologie nécessiterait un niveau d’exigence élevé. Les performances devraient être testées auprès de différentes populations de patients et dans de véritables parcours cliniques, pas seulement dans le contexte du développement. Les cliniciens auraient besoin d’informations claires sur la fiabilité du résultat, la manière de le combiner avec d’autres éléments et les situations dans lesquelles il faut l’ignorer.

Les images faciales sont également des données biométriques extrêmement sensibles. Toute mise en œuvre clinique nécessiterait de solides protections concernant le consentement, le stockage, l’accès et les usages secondaires. Les hôpitaux et les autorités de régulation devraient aussi examiner si les performances du modèle sont équitables entre les groupes démographiques et si les erreurs risquent d’accentuer les disparités dans les soins contre le cancer.

Une orientation de recherche pour l’aide à la décision

FAHR-Face illustre une évolution plus large de l’IA médicale : des modèles de fondation entraînés à grande échelle sont adaptés à des tâches cliniques plus ciblées. La promesse est qu’un pré-entraînement étendu puisse capter des représentations visuelles utiles, susceptibles ensuite de soutenir des outils spécialisés. Le défi consiste à faire d’un résultat technique impressionnant un outil sûr, compréhensible et cliniquement pertinent.

Pour l’instant, les résultats doivent être considérés comme des éléments montrant que les photographies faciales peuvent contenir des informations mesurables liées à la santé au-delà de l’âge apparent. Transformer ces informations en soins courants dépendra d’une validation supplémentaire et d’une gouvernance rigoureuse. L’objectif déclaré des chercheurs — soutenir, et non remplacer, le jugement médical — fixe une limite appropriée pour une technologie susceptible d’influencer des décisions thérapeutiques lourdes de conséquences.

Cet article s’appuie sur un reportage de Medical Xpress. Lire l’article original.