Des modèles d’IA ont repéré, dans des prises de sang courantes, des signaux liés au risque futur de plusieurs cancers. Prometteur, mais pas encore prêt pour un dépistage large.
En bref
- L’IA exploite des bilans sanguins déjà courants
- Elle estime un risque, pas un diagnostic
- Usage possible pour mieux cibler le dépistage
On a peut-être sous les yeux, dans des examens déjà banals, une partie d’une information qu’on utilise encore mal. Des chercheurs ont montré au congrès ESMO 2026, à Madrid, que des modèles d’intelligence artificielle pouvaient estimer le risque futur de cancer à partir d’éléments très ordinaires, comme une prise de sang, des antécédents médicaux et certains modes de vie.
Ce que les algorithmes ont vraiment testé
Le travail est massif. L’équipe a mis au point environ 500 modèles de machine learning pour évaluer le risque de 20 cancers. Leur principal terrain d’essai, c’est UK Biobank, l’une des plus grandes bases biomédicales au monde, avec 463.620 participants suivis pendant près de 18 ans.
Sur cette période, 57.055 personnes ont développé un cancer. Les algorithmes ont donc cherché des motifs dans des données collectées avant la maladie, puis vérifié lesquels étaient associés à une survenue ultérieure.
Le signal vient surtout des analyses déjà faites
C’est probablement le point le plus intéressant. Les modèles ont intégré des informations de niveaux très différents, du dossier clinique classique aux données génétiques et métabolomiques. Or une large part de la capacité prédictive venait surtout des analyses sanguines routinières et de l’historique médical.
Ajouter de la génétique ou de la métabolomique améliorait les résultats, mais assez peu. Pour un système de santé, la nuance compte beaucoup, parce qu’elle suggère qu’un outil utile pourrait s’appuyer sur des données déjà disponibles sans multiplier les examens lourds.
Prometteur, mais pas un diagnostic anticipé
Les chercheurs ont aussi observé que certains signaux restaient informatifs pour des cancers diagnostiqués plus de cinq ans plus tard. Mais il faut tenir la ligne, clairement. Cela ne veut pas dire qu’une tumeur était forcément présente cinq ans avant, ni que l’IA peut annoncer qui aura un cancer.
Elle classe des personnes dans des groupes de risque plus ou moins élevés, sur une base statistique. Pour limiter l’idée que le modèle ne repérait que des cancers déjà là mais encore invisibles, certains analyses ont exclu les tumeurs apparues durant la première année de suivi.
Pourquoi cela pourrait compter pour le système de santé
Les résultats n’étaient pas les mêmes selon les cancers. Ils semblent particulièrement solides pour le foie, l’œsophage et le poumon, mais moins bons pour le sein, l’ovaire ou le col de l’utérus. En regroupant les cancers dont le risque pouvait être estimé via les seules données cliniques courantes, le modèle atteignait un AUROC de 0,83 à 15 ans, loin du hasard, sans pour autant suffire à justifier un dépistage généralisé.
Autre point de prudence, dans la leucémie myéloïde aiguë et le myélome multiple, la performance baissait quand on regardait plus loin dans le temps. L’hypothèse avancée est simple, des prédictions à court terme peuvent parfois capter les effets d’un cancer déjà en train de démarrer.
Pour Paul-Henry Koop, du Else Kröner Fresenius Center for Digital Health de l’Université technique de Dresde, l’usage le plus concret serait un précriblage peu coûteux, afin d’orienter ensuite les personnes les plus à risque vers des examens ciblés. Son équipe avait déjà publié dans Cancer Discovery un modèle consacré au carcinome hépatocellulaire, là encore à partir de données cliniques de routine.
