Le carcinome hépatocellulaire (CHC), troisième cause mondiale de mortalité liée au cancer, nécessite des améliorations urgentes dans le dépistage précoce afin d’améliorer la survie des patients. Bien que l’échographie demeure le mode de dépistage privilégié en raison de son coût maîtrisé et de sa capacité à fournir des images en temps réel, sa sensibilité (entre 59 % et 78 %) dépend fortement de l’expertise des radiologues, entraînant des résultats diagnostiques inconstants et des inefficacités opérationnelles. Les récents progrès en intelligence artificielle offrent des solutions prometteuses pour combler cet écart. Cette étude présente le HSQformer (Hierarchical Sparse Query Transformer), une nouvelle architecture hybride qui combine de manière synergique l’extraction de caractéristiques locales des réseaux de neurones convolutifs (CNN) et la prise en compte du contexte global des Vision Transformers grâce à une représentation dans l’espace latent et un apprentissage creux. En activant dynamiquement des experts spécialisés selon la tâche via un cadre Mixture-of-Experts (MoE), le HSQformer réalise une intégration hiérarchique des caractéristiques sans redondance structurelle. Évalué dans trois scénarios cliniques — cohortes d’un centre unique, multi-centres et patients à haut risque —, le HSQformer dépasse les modèles de pointe (par exemple, 95,38 % d’AUC en test multi-centres) et atteint une précision diagnostique équivalente à celle des radiologues seniors, tout en surpassant significativement celle des radiologues juniors. Ces résultats mettent en évidence le potentiel des outils d’aide par intelligence artificielle à standardiser le dépistage du CHC, réduire la dépendance à l’expertise humaine et améliorer les taux de diagnostic précoce. Le code complet est disponible à l’adresse suivante : https://github.com/Asunatan/HSQformer.