En 2026, plusieurs études cliniques ont évalué l’intelligence artificielle dans le dépistage du cancer du sein, au-delà des seuls tests rétrospectifs. L’essai randomisé MASAI rapporte moins de cancers détectés entre deux campagnes de dépistage, tandis que d’autres travaux montrent des gains possibles de détection et de charge de lecture. Ces résultats marquent une étape importante, sans démontrer que l’IA peut remplacer le radiologue ni qu’elle améliore déjà la mortalité.
En 2026, l’IA passe à l’épreuve du dépistage réel
Le cancer du sein reste un enjeu mondial majeur. L’Organisation mondiale de la Santé estime que 2,4 millions de femmes ont reçu un diagnostic en 2024 et que la maladie a causé environ 694 000 décès.[1] Pour Octobre Rose 2026, la question centrale est désormais de savoir si l’IA améliore un programme de dépistage réel sans créer de nouveaux risques.
Les publications de 2026 apportent des éléments plus robustes que les performances isolées. En Suède, l’essai MASAI a comparé un dépistage assisté par IA à la double lecture standard chez plus de 100 000 participantes. Au Royaume-Uni et en Espagne, d’autres études ont testé l’IA comme second lecteur, outil de tri ou système écartant les examens jugés à très faible risque.[3][4][5][6]
En France, le contexte organisationnel est déterminant. Le programme national invite les femmes de 50 à 74 ans à réaliser une mammographie tous les deux ans et prévoit une seconde lecture des examens jugés normaux lors de la première. Pourtant, la participation standardisée n’a atteint que 45,7 % sur la période 2024-2025, contre 46,6 % en 2022-2023.[2] Une meilleure lecture des images ne résout donc ni les délais d’accès, ni les inégalités territoriales, ni le renoncement au dépistage.
Ce qui est réellement nouveau dans les résultats de 2026
L’apport le plus important de MASAI concerne les cancers d’intervalle, diagnostiqués après une mammographie considérée comme négative et avant le dépistage suivant. Le taux observé a été de 1,55 pour 1 000 dans le groupe assisté par IA, contre 1,76 pour 1 000 avec la double lecture classique. Cela correspond à un écart relatif de 12 %.[3]
Cette observation est cliniquement plus informative qu’un simple score de précision sur des images archivées. Elle suggère que l’organisation assistée par IA peut repérer plus tôt certains cancers qui auraient autrement émergé entre deux campagnes. La prudence reste toutefois nécessaire : l’essai a établi la non-infériorité sur ce critère, mais son intervalle de confiance ne permet pas de conclure à une supériorité statistique certaine.
Les études comparent aussi des flux de travail complets. GEMINI a modélisé 17 configurations sur 10 889 femmes. Une stratégie ajoutant une vérification humaine des alertes de l’IA a identifié 11 cancers additionnels. Gains et contraintes varient donc avec l’organisation retenue.[5]
MSc AI for Business
Pilotez des projets IA à fort impact stratégique. Séminaires un week-end sur deux, compatible avec une activité professionnelle. Titre RNCP niveau 7.
Comment l’IA s’intègre dans la lecture d’une mammographie
Un système d’IA analyse les images et produit généralement un score de suspicion, parfois accompagné d’une localisation des zones jugées anormales. Ce résultat peut être inséré à plusieurs endroits du parcours. Son rôle dépend donc autant du protocole choisi que de sa performance technique.
| Rôle de l’IA | Fonction dans le parcours | Point de vigilance |
|---|---|---|
| Aide à la lecture | Signale des zones ou attribue un niveau de risque au radiologue. | L’alerte peut influencer la décision, y compris lorsqu’elle est erronée. |
| Second lecteur | Remplace ou complète l’une des lectures humaines dans un protocole à double lecture. | Les désaccords et les règles d’arbitrage doivent rester explicites. |
| Triage | Classe certains examens comme faibles ou élevés en risque afin de répartir le travail. | Un seuil mal calibré peut écarter à tort un cancer. |
| Filet de sécurité | Réexamine les dossiers non rappelés et demande une vérification humaine ciblée. | Des rappels supplémentaires peuvent accroître l’anxiété et les examens inutiles. |
L’IA n’établit pas seule un diagnostic. Une image suspecte conduit à des examens complémentaires, puis éventuellement à un prélèvement et à une analyse anatomopathologique. La décision clinique repose sur l’ensemble du dossier et le dialogue avec la patiente. Confondre dépistage, diagnostic et traitement exagérerait la portée de la technologie.
Ce que les études permettent réellement d’affirmer
| Étude 2026 | Population et protocole | Résultat principal | Lecture prudente |
|---|---|---|---|
| MASAI, Suède | Plus de 100 000 participantes, essai randomisé. | 1,55 contre 1,76 cancer d’intervalle pour 1 000, soit 12 % d’écart relatif observé. | Non-infériorité établie, mais supériorité statistique non démontrée sur ce critère. |
| AITIC, Espagne | 31 301 femmes, comparaison prospective appariée. | Charge de lecture réduite de 63,6 % et détection accrue de 15,2 %. | Le taux de rappel a augmenté de 14,8 % et n’a pas satisfait le critère de non-infériorité. |
| GEMINI, Royaume-Uni | 10 889 femmes et 17 scénarios d’intégration. | Jusqu’à 10,4 % de détection en plus et 31 % de charge en moins dans le scénario principal. | Un seul outil et une seule région, avec des résultats dépendants du flux retenu. |
| Étude Google, NHS | 115 973 examens rétrospectifs et 9 266 cas en déploiement silencieux. | Simulation du second lecteur : temps réduit de 32 % et détection accrue de 17,7 %. | Le déploiement prospectif a révélé un changement de distribution nécessitant un recalibrage. |
Pris ensemble, ces travaux renforcent trois conclusions. Premièrement, l’IA peut soutenir une détection plus précoce. Deuxièmement, elle peut réduire une partie du travail répétitif de lecture. Troisièmement, le résultat dépend du seuil, de la population, du matériel d’imagerie et de la place exacte accordée au système.
Ils ne démontrent pas encore une baisse de la mortalité, ni un bénéfice identique dans tous les pays. Ils n’établissent pas davantage qu’un dépistage partiellement autonome soit toujours préférable. L’étude espagnole illustre ce compromis : davantage de cancers détectés, mais aussi davantage de rappels.[4] Or un rappel peut entraîner inquiétude, examens complémentaires et parfois biopsie sans cancer confirmé.
Pourquoi cette évolution compte pour les patientes et les soignants
Pour les patientes, le bénéfice potentiel est une détection plus précoce. Le risque est de recevoir plus d’alertes sans cancer confirmé. L’objectif ne peut donc pas être de maximiser la sensibilité sans considérer la spécificité, les délais de réponse et l’expérience vécue.
Pour les radiologues, le gain porte sur la répartition du temps vers les cas complexes. Mais l’automatisation déplace aussi la responsabilité : il faut surveiller les performances, comprendre les seuils, documenter les désaccords et interrompre le système lorsque son comportement s’écarte de la validation.
Pour les programmes de santé publique, l’enjeu est plus large que le logiciel. Un outil performant ne crée ni mammographe, ni rendez-vous, ni parcours de soins. En France, la baisse de participation et les difficultés d’accès signalées localement rappellent qu’une innovation de lecture doit s’inscrire dans une stratégie de prévention, d’information et de prise en charge accessible.[2]
Executive MBA AI & Business
Transformation
Le MBA repensé pour l’ère de l’IA. Pour dirigeants expérimentés qui veulent piloter la transformation de leur organisation. Paris, Nice & Dubai.
Les enjeux de responsabilité, de données et d’équité
Les images médicales et les informations associées sont des données de santé sensibles. Leur utilisation exige une finalité claire, une sécurité adaptée, une maîtrise des accès et une information compréhensible. Lorsqu’un système d’IA constitue un dispositif médical ou un composant de sécurité soumis à évaluation de conformité, le règlement européen sur l’IA le classe parmi les systèmes à haut risque et impose notamment gestion des risques, documentation, supervision humaine et suivi après mise sur le marché.[7]
La validation doit rester locale et continue. Dans l’étude multicentrique britannique consacrée au système de Google, aucun écart démographique systématique n’a été observé dans les sous-groupes examinés. Cependant, le passage au déploiement prospectif a révélé un changement de distribution des données, obligeant à recalibrer le seuil.[6] Une performance mesurée hier dans un centre ne garantit donc pas la même sécurité demain, ailleurs ou avec un autre équipement.
Le contrôle humain ne doit pas être symbolique. Il doit préciser qui peut contester une recommandation, qui arbitre un désaccord, comment une erreur est signalée et qui répond de la décision. Il faut également surveiller les effets de l’automatisation sur les compétences : si les professionnels lisent moins de cas normaux, leur formation et leur capacité à reconnaître les exceptions doivent être préservées.
Ce qu’il faudra observer après Octobre Rose 2026
La prochaine étape consiste à mesurer des résultats qui comptent directement pour les personnes : stade au diagnostic, formes agressives, qualité de vie, surdiagnostic et, à plus long terme, mortalité. Les essais devront aussi être reproduits dans des populations, des équipements et des organisations de soins différents.
En France, une expérimentation crédible devrait comparer plusieurs scénarios avec la seconde lecture existante, publier les taux de rappel et de cancers d’intervalle, documenter les performances par sous-groupe et prévoir un suivi indépendant. Le coût complet doit inclure la licence, l’infrastructure, le contrôle qualité, les arbitrages supplémentaires et le traitement des incidents.
Octobre Rose 2026 marque ainsi moins l’arrivée d’un dépistage automatisé qu’un changement de niveau de preuve. L’IA commence à être évaluée dans des parcours cliniques complets et certains résultats sont encourageants. Sa valeur réelle se jugera toutefois à sa capacité à renforcer un système de soins accessible, explicable et surveillé, sans transformer une probabilité algorithmique en verdict médical.
Pour aller plus loin
Pour approfondir les liens entre intelligence artificielle, dépistage, imagerie médicale et responsabilité clinique , découvrez également ces analyses du blog aivancity.
Sources
[1] Organisation mondiale de la Santé (OMS), 3 juillet 2026. Breast cancer. Consulter la source
[2] Santé publique France, 6 juillet 2026. Taux de participation au programme de dépistage organisé du cancer du sein en 2025. Consulter la source
[3] Lång, K. et al., 2026. Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study. The Lancet. Consulter l’étude
[4] Elías-Cabot, E. et al., 19 mars 2026. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening. Nature Medicine. Consulter l’étude
[5] De Vries, C. et al., 10 mars 2026. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nature Cancer. Consulter l’étude
[6] Kelly, C. J. et al., 10 mars 2026. Diagnostic accuracy, fairness and clinical implementation of AI for breast cancer screening. Nature Cancer. Consulter l’étude
[7] Union européenne. Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle. Consulter le règlement