En quelques années, l’IA s’est imposée comme un levier majeur de transformation en oncologie. Face à l’explosion des données issues de l’imagerie, de l’anatomopathologie, de la génomique et des dossiers cliniques, les méthodes d’apprentissage automatique offrent des outils capables d’analyser, d’intégrer et de hiérarchiser une complexité de données devenue difficilement maîtrisable par l’humain seul. Longtemps cantonnée à la recherche, l’IA entre désormais dans la pratique clinique, avec des applications concrètes tout au long du parcours de soins.
Le cancer du sein constitue aujourd’hui l’un des champs d’application les plus avancés de l’IA en oncologie. Les outils d’IA s’y déploient tout au long du parcours de soins, de la prévention et du dépistage personnalisé à l’imagerie diagnostique, de la pathologie digitale à la génomique, jusqu’à la radiothérapie et à la désescalade thérapeutique. Cette dynamique repose sur la richesse des données disponibles, l’existence de parcours structurés et une tradition solide de recherche translationnelle en sénologie.
À travers dix contributions, ce numéro thématique propose une lecture transversale de ces usages. Il met en lumière les avancées déjà tangibles, les bénéfices attendus pour les patientes et les professionnels, mais aussi les limites actuelles, les zones d’incertitude et les conditions nécessaires à une intégration clinique rigoureuse, progressive et responsable de l’IA.
L’IA apparaît tour à tour comme un outil de prévention, d’aide au dépistage, à la caractérisation, à la stratification pronostique, ainsi qu’à la personnalisation et à l’amélioration des traitements, avec un impact déjà tangible sur l’organisation des soins et l’efficience des pratiques. Si les performances rapportées sont souvent élevées, l’ensemble des auteurs souligne la nécessité d’une intégration encadrée, évaluée et médicalement supervisée.
Au-delà de la diversité des applications présentées, ce numéro fait émerger plusieurs lignes de force communes. La première est celle d’une oncologie désormais profondément multimodale. Ainsi, les performances les plus robustes de l’IA ne reposent plus sur une source de données isolée, mais sur la capacité à intégrer l’imagerie, la pathologie digitale, la génomique et les données cliniques au sein de modèles combinatoires. Cette convergence des données permet de mieux appréhender l’hétérogénéité tumorale et d’affiner la stratification des patientes, condition indispensable à une véritable personnalisation des soins. La deuxième constante est la place centrale de la supervision médicale. Dans l’ensemble des situations décrites, l’IA agit comme un outil d’assistance, jamais comme un décideur autonome. La validation humaine, qu’elle soit individuelle ou collégiale, demeure essentielle, tant pour garantir la sécurité des patientes que pour assumer la responsabilité médicale et médicolégale des décisions. Cette supervision est d’autant plus importante que se pose la question, encore largement débattue, du risque de perte de compétences. En effet, l’usage répété d’outils d’aide automatisée pourrait, à terme, modifier les modes d’apprentissage, les réflexes diagnostiques et la capacité à maintenir une expertise critique, en particulier chez les jeunes générations de praticiens. Prévenir ce risque implique de penser l’IA non comme un substitut, mais comme un outil pédagogique et clinique, intégré à des parcours de formation et de validation des compétences, et utilisé de manière consciente et raisonnée.
Enfin, si l’IA ouvre des perspectives majeures vers une médecine plus prédictive, préventive et personnalisée − et, de façon plus émergente, participative −, son déploiement ne peut être envisagé sans une réflexion approfondie sur les conditions de son implémentation : qualité et représentativité des données, transparence des algorithmes, formation des professionnels et équité d’accès aux innovations. L’enjeu n’est pas seulement technologique, mais profondément clinique et organisationnel.
En oncologie du sein, l’IA ne marque pas une rupture, mais s’inscrit dans une évolution progressive : celle d’une médecine confrontée à une complexité croissante des données, et qui cherche de nouveaux outils pour mieux l’appréhender. En intégrant imagerie, pathologie digitale, génomique et données cliniques, l’IA ouvre un chemin vers une prise en charge plus fine, dont l’apport dépasse le seul champ du diagnostic pour s’inscrire, dans certains contextes, au cœur même du traitement. Cette évolution concerne désormais l’ensemble des traitements, qu’il s’agisse de la planification et de la personnalisation de la radiothérapie, de la sélection et de la désescalade des traitements médicamenteux, ou encore de l’identification de patientes pouvant bénéficier de gestes chirurgicaux moins agressifs. L’IA ne dicte pas ses propres décisions ; elle contribue à en affiner le cadre, en rendant visibles des sous-groupes et des trajectoires jusqu’alors difficiles à identifier.
La sophistication croissante des outils ne saurait toutefois masquer l’essentiel : la décision thérapeutique reste un acte humain, contextualisé et responsable. L’avenir de l’IA en sénologie ne se jouera pas uniquement dans les algorithmes, mais dans la manière dont la communauté médicale choisira de les intégrer, de les encadrer et d’en assumer collectivement les conséquences.