Un modèle IA de NYU évalue le risque de cancer du sein sur cinq ans

NYU Langone Health a annoncé le 10 septembre 2026 un outil de deep learning, NYU-DRP, capable d’estimer le risque de cancer du sein sur cinq ans à partir de mammographies 3D réalisées à plusieurs reprises. Développé avec Perlmutter Cancer Center, ce modèle exploite l’historique d’imagerie d’une patiente plutôt qu’une seule prise de vue. L’enjeu est concret : mieux hiérarchiser le risque avant qu’une tumeur ne se déclare, dans un contexte où le dépistage repose encore surtout sur une photographie instantanée. Et l’image, en médecine, a parfois plus de mémoire qu’on ne le croit.

Des mammographies 3D qui racontent une trajectoire

NYU-DRP s’appuie sur la tomosynthèse numérique du sein, ou DBT longitudinale, c’est-à-dire la succession de mammographies 3D accumulées au fil des dépistages annuels. Selon l’étude publiée dans l’American Journal of Roentgenology le 12 août 2026, le modèle a été conçu pour prédire un risque à deux à cinq ans en combinant ces examens, l’âge de la patiente et la densité mammaire.

Le papier souligne que les modèles de prédiction du risque ont surtout été entraînés sur la mammographie numérique classique, la FFDM, alors que la DBT est devenue une modalité de dépistage dominante aux États-Unis. Autrement dit, l’outil tente de faire parler des données déjà disponibles, sans attendre un nouveau test ou une nouvelle collecte.

Des résultats meilleurs que plusieurs références comparées

L’étude porte sur une cohorte rétrospective de 313 335 examens DBT réalisés chez 161 077 femmes, d’un âge moyen de 58,5 ans, entre janvier 2016 et août 2020. Dans le communiqué de NYU Langone, le jeu de données est décrit légèrement différemment, avec 313 531 mammographies 3D annuelles et 161 165 femmes suivies dans les hôpitaux de NYU Langone entre 2016 et 2020 [à vérifier].

Sur un jeu de test indépendant de 34 570 examens, le modèle longitudinal atteint une AUC à cinq ans de 0,721, contre 0,707 pour un modèle DBT à un seul instant et 0,687 pour Mirai, un modèle utilisant la mammographie numérique du même jour. Les chercheurs l’ont aussi comparé au modèle clinique Tyrer-Cuzick, avec des métriques complémentaires comme l’indice de concordance dépendant du temps et le score de Brier intégré.

Le résultat ne transforme pas l’examen en verdict, mais il améliore la capacité à classer les patientes selon leur niveau de risque. C’est précisément ce que cherche ce type d’outil : aider à décider qui doit être surveillée de plus près, et qui peut rester dans le flux habituel du dépistage.

Ce que change une IA entraînée sur l’historique

Le principe de NYU-DRP est simple à résumer : au lieu de lire une image isolée, le modèle observe l’évolution du sein sur plusieurs années. Cette approche longitudinale permet d’exploiter des changements subtils dans les tissus, invisibles ou peu lisibles sur un seul cliché.

Pour la radiologie, l’intérêt est double. D’une part, la méthode s’inscrit dans une logique de médecine personnalisée plus fine ; d’autre part, elle reste liée à un examen déjà largement déployé, ce qui facilite une éventuelle intégration. Reste la question clé du passage à l’échelle, car une étude monocentrique rétrospective ne suffit pas à valider une adoption clinique large.

Les auteurs de l’étude rappellent d’ailleurs que leurs travaux portent sur un centre unique. La suite devra confirmer si les performances se maintiennent dans d’autres populations, d’autres machines et d’autres pratiques de dépistage.