Michael Phillips de l'université d'Australie de l'Ouest à Perth et ses collègues ont comparé l'algorithme Deep Ensemble for Recognition of Malignancy développé par Skin Analytics Limited, qui a financé l'étude, à des spécialistes sur leurs capacités à diagnostiquer de manière fiable et spécifique des mélanomes sur 1.550 images de lésions cutanées suspectes provenant de 514 patients, majoritairement blancs.

Les images avaient toutes été prises avec trois appareils photo différents: celui de l'iPhone 6s (Apple), celui du Galaxy S6 (Samsung) et un reflex D5500 (Nikon).

Déjà entraîné sur des images dermoscopiques, l'algorithme a eu deux cycles d'apprentissage supplémentaires avec des images extraites de l'étude.

Parmi les 1.550 images de lésions utilisées, 551 ont fait l'objet d'une biopsie, établissant définitivement le diagnostic. Sur ces biopsies, 22,7% ont été identifiées comme étant des mélanomes par histopathologie, 26,8% comme étant des naevi dysplasiques et 50,5% ont reçu un autre diagnostic.

Après un troisième entraînement, l'aire sous la courbe de la fonction d'efficacité du receveur (AUROC) (qui permet de tester le rapport spécificité et sensibilité des tests diagnostiques) de l'algorithme pour l'appareil de l'iPhone 6s était de 94%. Celle pour l'appareil du Galaxy S6 de 92,6%, celle pour le D5500 de 92,2% et celle des cliniciens de 77,8%.

Lorsque les chercheurs ont fixé la sensibilité à 95%, l'algorithme a obtenu une spécificité de 78,1% pour les images obtenues avec l'iPhone 6s, de 75,6% pour les images obtenues avec le Galaxy S6 et de 45,5% avec le D5500. Les cliniciens de leur côté avaient une spécificité de 69,9%.

Pour les auteurs de l'étude, "ces résultats [...] montrent que l'algorithme et les spécialistes ont identifié des mélanomes dans des lésions cutanées pigmentées suspectes avec le même niveau de précision".

Ils précisent tout de même que cette étude se déroulant dans le cadre de diagnostics de lésions suspectes où se trouve un nombre élevé de mélanomes, "les valeurs prédictives positives et négatives en ont été influencées et peuvent ne pas être généralisables à d'autres cadres, comme la prise en charge primaire ou le dépistage".

Néanmoins, "l'inclusion de lésions contrôles (c'est-à-dire supposées bénignes) dans l'analyse a permis de montrer que l'algorithme maintient un haut niveau de spécificité quand des lésions bénignes sont évaluées", soulignent-ils.

Ainsi, ils considèrent que le "développement de méthodes de dépistage à bas coût, comme les services basés sur l'IA, pourrait transformer le parcours diagnostique du patient, permettant plus d'efficacité dans l'ensemble du service de soins de santé".

Sur son site internet, l'entreprise Skin Analytics Limited indique qu'elle développe également son IA pour couvrir des cancers de la peau hors mélanome.

(JAMA Network Open, publication en ligne du 16 octobre)