Pneumonie sur radiographie : une IA légère chute entre données d'adultes et d'enfants
Une prépublication, non relue par d'autres chercheurs à ce stade, décrit de petits modèles d'intelligence artificielle (IA) pour repérer une pneumonie sur radiographie du thorax. Entraînés sur des images d'adultes, ils tombent presque au niveau du hasard sur les images d'enfants, et inversement.
Un modèle qui décroche d'un type de patients à l'autre
Cette prépublication, déposée sur l'archive medRxiv, examine si une IA d'aide à la détection de la pneumonie, une infection des poumons, tient lorsqu'elle travaille sur des images différentes de celles où elle a appris. Le meilleur modèle isolé atteint un score de 0,738 sur le jeu de test NIH, une base publique de radiographies thoraciques d'adultes. Un ensemble de deux modèles combinés monte à 0,742. Ce score, l'aire sous la courbe ROC (AUC-ROC), mesure la capacité à distinguer une radiographie malade d'une radiographie saine.
Le problème apparaît dès que la population change. Un modèle entraîné sur des adultes tombe à 0,454 sur des images pédiatriques. Un modèle entraîné sur des enfants tombe à 0,473 sur les images adultes du jeu NIH. Dans les deux sens, le score revient presque à celui du hasard.
Mélanger les données : un gain, mais une faiblesse
Lorsque les auteurs entraînent un seul modèle sur les deux types d'images réunis, un EfficientNet-B0 atteint 0,951 sur les images pédiatriques. L'intervalle de confiance à 95 % va de 0,932 à 0,967 : c'est la plage où se situe la valeur réelle, avec ce niveau de confiance. Sur les images NIH, le même modèle n'atteint que 0,675, et sa sensibilité, c'est-à-dire la part des cas malades qu'il repère, tombe à zéro au seuil de 0,5 : il ne signale aucun malade à ce seuil. Un ResNet-18 entraîné sur les deux jeux atteint 0,962 sur les enfants et 0,606 sur les adultes.
La fusion corrige donc la chute la plus brutale, celle qui ramène le score au niveau du hasard. Elle ne retrouve pas pour autant les performances d'un modèle entraîné sur les seuls adultes. Associer un modèle fusionné à un modèle à source unique n'apporte rien, sur aucun des deux jeux de test.
Comment les chercheurs ont procédé
Il s'agit d'une évaluation de modèles informatiques sur des données publiques, réalisée entièrement sur processeur (CPU), sans matériel spécialisé. Les deux modèles, EfficientNet-B0 et ResNet-18, sont des architectures de réseaux de neurones, c'est-à-dire des programmes d'apprentissage automatique. Ils ont été entraînés sur un sous-ensemble de 10 000 images de la base NIH ChestX-ray14, puis testés sans nouvel entraînement sur un jeu d'images pédiatriques de pneumonie. Ils sont comparés à un modèle de référence DenseNet121 pré-entraîné (outil TorchXRayVision) et à un modèle entraîné directement sur des données pédiatriques. Le jeu de test NIH compte 2 500 images, dont seulement 22 cas positifs de pneumonie.
Pour rendre les décisions lisibles, les auteurs présentent des cartes Grad-CAM, des cartes de chaleur qui indiquent les zones de l'image ayant pesé sur la réponse. Elles couvrent des cas bien classés, des faux négatifs (malades non repérés) et des faux positifs (sains signalés à tort). Une méthode dite de dropout de Monte Carlo fait répondre le modèle plusieurs fois en désactivant au hasard une partie de ses connexions, afin d'estimer son incertitude. Elle sert à renvoyer vers un humain les cas incertains. Sur les données NIH, elle fait passer l'exactitude sur les cas où le modèle répond de 0,889 à 0,948. Sous décalage de population, ce gain n'apparaît pas. Tous les résultats sont accompagnés d'intervalles de confiance estimés par rééchantillonnage (bootstrap).
Ce que cela change
Pour les hôpitaux à faibles ressources, qui ne peuvent pas constituer de grandes bases de données locales, le point de départ est celui que le résumé rappelle : un modèle entraîné sur les données d'un hôpital échoue souvent ailleurs. Les chiffres suggèrent que la composition des données d'entraînement pèse lourd. Un modèle appris sur un seul type de patients ne se transfère pas à l'autre, tandis qu'un modèle qui a vu les deux gagne nettement sur les enfants.
Ce gain a un coût. L'EfficientNet-B0 fusionné ne détecte aucun malade au seuil de 0,5 sur le jeu NIH, et la fusion ne retrouve pas les performances d'un modèle dédié aux adultes. On peut en déduire, sans que l'étude le formule ainsi, qu'aucun choix ne domine dans tous les cas : le modèle pertinent dépend de la population à laquelle il doit s'appliquer. De même, le renvoi vers un humain améliore l'exactitude sur les cas traités par le modèle, sur les données NIH, mais ce gain disparaît sous décalage de population.
Ce que l'étude ne prouve pas
D'abord, ce travail n'a pas encore été relu par d'autres chercheurs. La prépublication dit elle-même que le jeu de test ne compte que 22 cas positifs. Avec si peu de cas malades, quelques cas de plus ou de moins peuvent modifier les mesures de façon notable, et les résultats sur ce jeu sont donc fragiles.
Ensuite, les modèles n'ont été évalués que sur deux jeux d'images publics. Un score sur des images d'archive ne dit rien de la pratique réelle, et le résumé ne décrit aucun usage clinique ni aucun suivi de patients dans un hôpital. Les cartes de chaleur montrent des exemples, sans que le résumé indique qu'elles ont été vérifiées par des médecins. Rien ici n'établit qu'un de ces outils aiderait un professionnel de santé.
Enfin, l'étude constate une baisse de performance entre deux types d'images, mais elle n'établit pas pourquoi. Le résumé ne donne pas d'explication à cet écart. Les cartes de chaleur montrent où le modèle regarde, sans dire à elles seules pourquoi il se trompe.
Ce qui reste à établir
Le résumé n'annonce pas de suite précise. Plusieurs questions restent ouvertes : les performances sur un jeu de test comptant davantage de cas positifs, le comportement sur d'autres hôpitaux et d'autres populations que les deux jeux testés, la validité du renvoi vers un humain hors décalage de population, et la vérification des cartes de chaleur par des spécialistes. Il reste à voir si ces résultats se confirment après relecture et sur des données plus variées.
- medRxiv (prépublication), 19 novembre 2026