RetourApport de l’Intelligence Artificielle dans la pratique clinique
4 min de lecture
Vendredi 14 novembre 2025
Intervenants :
Pr Frédéric Bibeau (CHRU Besançon) et Pr Gabriel Malouf (ICANS Strasbourg)
Introduction
L’Intelligence Artificielle (IA*) révolutionne la médecine en automatisant des tâches répétitives et en facilitant la prise de décision. Elle offre des perspectives prometteuses, notamment en anatomie pathologique et en médecine prédictive.
En pratique, les applications potentielles de l’IA
En anatomie pathologique
L’IA peut assister les spécialistes dans :
- La détection des métastases ganglionnaires
- La détermination de l’index Ki-671 (marqueur de prolifération cellulaire)
- L’évaluation du statut PD-L1* 2 (protéine impliquée dans la réponse immunitaire des cellules cancéreuses)
Dans le cancer colorectal
-
Détermination du risque de métastases ganglionnaires
Des modèles d’IA appliqués à des échantillons tumoraux (coloration H&E*) ont permis d’atteindre une sensibilité de 93 % et de réduire de 14 % les colectomies non nécessaires.3
-
Classification pronostique
L’utilisation d’un logiciel d’IA permet de mieux prédire le risque de récidive grâce à l’analyse de facteurs histologiques (stroma, tumor budding, présence de lymphocytes).4
- Prédiction du sous-type moléculaire et de l’hétérogénéité tumorale.5
Dans le cancer du rein
Un modèle d’IA basé sur l’histopathologie permet de caractériser la morphologie et la vascularisation des tumeurs et d’anticiper la réponse aux traitements antiangiogéniques.6
À retenir
Avant leur intégration en pratique clinique, les outils d’IA doivent être :
- Explicables (compréhension du raisonnement utilisé par l’IA)
- Validés cliniquement
- Conformes aux exigences réglementaires
Impact pour les professionnels et les patients
L’IA promet des diagnostics plus rapides, une meilleure personnalisation des traitements et une optimisation du temps médical, au bénéfice des patients et des équipes soignantes.
Abréviations
IA : Intelligence artificielle (systèmes d’analyse et d’aide à la décision)
PD-L1 : Programmed cell death ligand 1 (protéine impliquée dans la réponse immunitaire des cellules cancéreuses)
H&E : Hématoxyline et éosine (technique de coloration utilisée en histopathologie)
- Vesterinen T, Säilä J, Blom S, Pennanen M, Leijon H, Arola J. Automated assessment of Ki-67 proliferation index in neuroendocrine tumors by deep learning. APMIS. 2022;130(1):11-20. doi:10.1111/apm.13190
- Bossard C, Magois C, Roussel H, et al. Clinical evaluation of an automated pan-organ combined PD-L1 scoring using artificial intelligence on immunostained whole-slide images. ESMO Real World Data and Digital Oncology. 2025;10:100181. doi:10.1016/j.esmorw.2025.100181
- Song JH, Kim ER, Hong Y, et al. Prediction of Lymph Node Metastasis in T1 Colorectal Cancer Using Artificial Intelligence with Hematoxylin and Eosin-Stained Whole-Slide-Images of Endoscopic and Surgical Resection Specimens. Cancers (Basel). 2024;16(10):1900. doi:10.3390/cancers16101900
- Wu C, Pai RK, Kosiorek H, et al. Improved Risk-Stratification Scheme for Mismatch-Repair Proficient Stage II Colorectal Cancers Using the Digital Pathology Biomarker QuantCRC. Clin Cancer Res. 2024;30(9):1811-1821. doi:10.1158/1078-0432.CCR-23-3211
- Le Douget JE, Jacob P, Lepage C, et al. Deep Learning on Histologic Slides Accurately Predicts Consensus Molecular Subtypes and Spatial Heterogeneity in Colon Cancer. Mod Pathol. 2025;38(11):100877. doi:10.1016/j.modpat.2025.100877
- Jasti J, Zhong H, Panwar V, et al. Histopathology based AI model predicts anti-angiogenic therapy response in renal cancer clinical trial. Nat Commun. 2025;16(1):2610. doi:10.1038/s41467-025-57717-6