Close

L’IA au service du diagnostic en cancérologie : succès d’une collaboration menée par Mines Paris – PSL

Prix et distinctions Recherche Science et société Transformation numérique
Publié le 24 octobre 2025
Imaginez un pathologiste scrutant des centaines de lames microscopiques à la recherche de cellules en division, signe d’un cancer agressif. Une tâche minutieuse, sujette à l’erreur humaine. Et si une intelligence artificielle pouvait l’assister, en détectant et classant ces cellules avec une précision inégalée ? C’est le défi relevé par le Centre for de Bio-informatique (CBIO) de Mines Paris – PSL, dirigé par Thomas Walter, en collaboration avec le Centre de Morphologie Mathématique (CMM) de Mines Paris – PSL, l’Institut Curie, le CHU de Nantes et Sanofi. L’équipe, et notamment les doctorants Raphael Bourgade et Guillaume Balezo, vient de se distinguer au MIDOG 2025, une compétition internationale de pointe en imagerie médicale. Leurs travaux, primés parmi 150 participants du monde entier, ouvrent la voie à des diagnostics plus rapides, plus fiables et plus accessibles.

MIDOG 2025 : un concours mondial d’IA au service de la médecine de précision

Chaque année, des milliers de patients atteints de cancer voient leur pronostic établi en partie grâce à l’analyse de mitoses — ces cellules en division, témoins de l’agressivité du cancer, sont visibles au microscope sur des lames de tissu tumoral. Par ailleurs, certaines sont atypiques : leur forme anormale trahit un processus de division cellulaire déréglé, souvent associé à un pronostic plus sombre. Problème : repérer et classer l’ensemble de ces mitoses parmi des centaines de milliers de cellules pour chaque prélèvement serait une tâche impossible en pratique. C’est la raison pour laquelle le pathologiste se base uniquement sur l’analyse de hot spots correspondant à une petite partie du tissu identifiée en amont. Même ainsi, il s’agit d’un exercice long et difficile, même pour des pathologistes expérimentés.  

C’est pour relever ce défi que le MItosis DOmain Generalization Challenge (MIDOG) 2025 a été lancé. Organisé dans le cadre de la conférence MICCAI — la plus prestigieuse en analyse d’images médicales —, ce concours international rassemble chercheurs, ingénieurs et cliniciens autour de deux objectifs (Task) : 

  1. Détecter automatiquement les mitoses dans des échantillons de tissus variés (tumeurs humaines, canines, zones inflammatoires, etc.).
  2. Classer ces mitoses en normales ou atypiques, une tâche cruciale pour affiner le diagnostic.

Des algorithmes d’IA conçus pour s’adapter à toutes les situations

Au-delà de son intérêt médical, cette compétition visait plus précisément le développement d’algorithmes robustes capables d’être performants quelle que soit l’espèce, le type tumoral, la coloration et le scanneur utilisés. En effet, étant donné la grande hétérogénéité des données d’un centre hospitalier à l’autre, la robustesse des algorithmes d’IA est un défi majeur en pathologie digitale. En Intelligence Artificielle, l’ensemble des approches regroupées sous le terme domain generalisation repose sur des méthodes d’apprentissage qui visent à rendre les algorithmes moins dépendants des caractéristiques propres aux données d’un hôpital ou d’un appareil donné. Concrètement, il s’agit d’entraîner les modèles pour qu’ils reconnaissent les structures biologiques essentielles, même si les images proviennent de sources, de colorations ou de scanneurs différents. 

Illustration du processus d’augmentation des images : (A) exemple d’un fragment d’image microscopique brut (640 × 640 pixels) coloré selon la méthode H&E, utilisée pour distinguer les éléments dans les tissus. (B–F) Variantes de cette même image après un traitement de normalisation des couleurs, destiné à reproduire les différences naturelles de coloration que l’on peut observer d’un laboratoire à l’autre.

L’équipe de Mines Paris – PSL, en collaboration avec l’Institut Curie, le CHU de Nantes et Sanofi, a obtenu des résultats remarquables : la 2ᵉ place pour la détection (Task 1) et la 1ʳᵉ place pour la classification des mitoses atypiques (Task 2).

Le projet a été principalement mené par deux doctorants :  

Ce projet était un véritable travail d’équipe : Hana Feki (étudiante de M1), Lily Monnier (postdoc), Alice Blondel (doctorante), et Matthieu BLONS (postdoc). 

Pour Mines Paris – PSL, cette double distinction au MIDOG 2025 positionne ses équipes à la pointe de l’intelligence artificielle pour la santé. Elle illustre aussi la richesse des collaborations entre institutions académiques, hôpitaux et industriels. 

Détecter les cellules qui se divisent n’est pas qu’un exercice théorique : c’est une étape essentielle pour mieux lutter contre le cancer. Grâce à l’IA, Mines Paris – PSL contribue à rendre cette étape plus précise, plus rapide et plus fiable. 

Pour aller plus loin :

Raphaël Bourgade, Guillaume Balezo, Hana Feki, Lily Monier, Matthieu Blons, Alice Blondel, Delphine Loussouarn, Anne Vincent Salomon and Thomas Walter, Robust Pan-Cancer Mitotic Figure Detection with YOLOv12, oct. 2025. 

Guillaume Balezo, Hana Feki, Raphaël Bourgade, Lily Monnier, Matthieu Blons, Alice Blondel, Etienne Decencière, Albert Pla Planas, Thomas Walter, Efficient Fine-Tuning of DINOv3 Pretrained on Natural Images for Atypical Mitotic Figure Classification in MIDOG 2025, sep. 2025. 

À découvrir aussi