Une équipe de recherche dirigée par deux doctorants de l’Université du Maine a développé un outil d’intelligence artificielle (IA) capable d’améliorer la précision du diagnostic du cancer du sein à partir d’images histologiques. Baptisé CGS-Net (Context-Guided Segmentation Network), ce système imite la manière dont les pathologistes humains analysent les tissus, en combinant détails locaux et contexte global pour détecter plus efficacement les signes de cancer. Conçu par Jeremy Juybari, doctorant en génie électrique et informatique, et Josh Hamilton, doctorant en génie biomédical, CGS-Net repose sur une architecture d’apprentissage profond innovante qui traite simultanément deux visions d’un même échantillon : une vue haute résolution pour observer les cellules individuelles, et une vue plus large à faible résolution pour comprendre l’architecture tissulaire globale. Ces deux informations, issues de patches partageant le même pixel central, sont analysées par deux encodeurs distincts avant d’être fusionnées pour une évaluation complète. Le cancer du sein, deuxième cause de décès liés au cancer chez les femmes, touche une femme sur huit au cours de sa vie. Son diagnostic repose encore aujourd’hui sur l’analyse microscopique de tissus colorés chimiquement, un processus exigeant expertise et temps. Or, deux tiers des pathologistes mondiaux sont concentrés dans seulement dix pays, ce qui crée des retards diagnostiques importants, notamment en Inde, où environ 70 % des décès liés au cancer sont liés à des facteurs traitables, aggravés par l’accès limité aux diagnostics rapides. Les tests menés par l’équipe de l’UMaine sur 383 images numérisées de ganglions lymphatiques ont montré que CGS-Net surpassait significativement les modèles classiques à entrée unique, en particulier dans la segmentation précise des zones cancéreuses. Cette amélioration s’explique par la capacité du modèle à intégrer le contexte tissulaire, un élément clé dans l’interprétation des images par les experts humains. Les chercheurs ont également publié les données et le code source, favorisant la transparence et la collaboration scientifique. Le potentiel d’application de CGS-Net va au-delà du cancer du sein. L’équipe envisage d’étendre le modèle à la segmentation multiclasse, à d’autres types de cancers, et à l’intégration de données multimodales comme les scanners d’imagerie ou les profils moléculaires. Ce projet illustre aussi la force des approches interdisciplinaires à l’Université du Maine, où ingénierie, informatique et sciences biomédicales s’unissent pour réduire les inégalités en santé. En fin de compte, CGS-Net ne vise pas à remplacer les pathologistes, mais à les accompagner. En apprenant à « voir » comme un expert humain, cette IA contribue à un avenir où le diagnostic précoce et précis du cancer devient accessible à tous, partout dans le monde. Des experts du domaine soulignent que ce type d’innovation pourrait transformer la pratique diagnostique, en particulier dans les régions à ressources limitées, tout en renforçant la fiabilité des décisions médicales.