Afficher le sommaire Masquer le sommaire
Des chercheurs ont appris à une intelligence artificielle à lire, sur un visage, le risque de mourir d’un cancer. Leurs travaux, publiés dans la revue médicale The Lancet Digital Health, portent sur des dizaines de milliers de patients traités par radiothérapie (un traitement par rayons).
Le premier résultat tient en un chiffre. Leur premier outil, FAHR-FaceAge, estime l’âge apparent d’une personne d’après sa photographie. Parmi 38 183 malades, ceux dont le visage paraissait au moins cinq ans plus âgé que leur état civil présentaient un risque de décès supérieur de 21 % à celui des autres. Chez ces patients, paraître plus vieux que son âge va de pair avec une survie plus courte.
A LIRE AUSSI
Strasbourg, nouvelle capitale de la lutte anti cancer
Les auteurs ont ensuite emprunté un chemin plus direct. Leur second outil, FAHR-FaceSurvival, a appris sur 34 363 photographies de malades associées à leurs données de survie, et classe d’emblée les patients selon leur risque de décès. Une fois ces patients répartis en quatre groupes de taille égale, des quartiles, les chercheurs mesurent dans le groupe jugé le plus menacé une mortalité plus de trois fois supérieure à celle du groupe le moins exposé.
Ce rapport de un à trois intègre ce que les médecins savent déjà. Les auteurs ont neutralisé dans leurs calculs l’âge, le sexe, le type de cancer, l’intention du traitement (guérir ou soulager) et la technique de radiothérapie employée. Ils captent donc sur le visage une information que ces critères ne contiennent pas.
Les deux outils convergent. FAHR-FaceSurvival, qui évalue le risque sans passer par l’âge, mesure l’écart le plus marqué. Les chercheurs décrivent une association statistique et qualifient eux-mêmes leur modèle de préliminaire.
Une marge d’erreur de 5,1 ans
Pour bâtir leur estimateur d’âge, les chercheurs ont entraîné leur système sur plus de 40 millions d’images de visages. FAHR-FaceAge a ensuite appris à estimer l’âge sur 743 152 portraits dont l’âge réel était connu, avant d’affronter des photographies qu’il n’avait jamais vues. Sur ces images inédites, il s’est trompé de 5,1 ans en moyenne.
Appliqué à 4 892 patients sous radiothérapie, l’algorithme s’écarte davantage de l’état civil : près de sept ans en moyenne. Les auteurs voient dans ce surplus la trace d’un vieillissement biologique. Si la machine attribue 70 ans à une personne qui en a 60, ils estiment que son organisme a pris dix ans d’avance, signe possible d’un vieillissement accéléré.
Les chercheurs déduisent donc le risque d’un décalage. La machine mesure un âge, et c’est la distance avec l’âge réel qu’ils convertissent en indicateur de santé.
Front, tempes et arête du nez
Restait à savoir où regardent les deux modèles. Pour estimer l’âge, FAHR-FaceAge s’attarde sur les plis nasogéniens (les sillons qui descendent des ailes du nez vers les coins de la bouche), le front et les tempes. FAHR-FaceSurvival se concentre sur la zone située sous les yeux et sur l’arête du nez.
Les deux algorithmes fixent ainsi des régions distinctes du visage. Le modèle de survie capte donc autre chose que les marques de l’âge, ce qui éclaire l’écart de mortalité plus prononcé qu’il relève. Les chercheurs assurent, d’après leurs propres tests, que l’estimation de l’âge bouge peu avec le maquillage, l’éclairage, l’expression ou l’angle de prise de vue.
Du teint jaunâtre aux jumeaux virtuels
Lire la santé sur un visage n’a rien de neuf. Les médecins associent de longue date un teint jaunâtre à une affection du foie, des paupières très gonflées à un trouble rénal. D’autres travaux ont lié un air plus jeune que son âge à une plus grande longévité.
En 2022, une étude a montré que des personnes aux visages semblables, des jumeaux virtuels, présentaient des génomes (l’ensemble de leur ADN) proches. Ses auteurs y voyaient l’indice d’un lien entre les traits du visage et la prédisposition génétique à certaines maladies.
L’intelligence artificielle reprend ce geste clinique ancien et le porte à l’échelle de millions d’images. Repérer des régularités ne suffit pas pour autant à fonder un test fiable. La lecture du visage a déjà nourri des dérives, quand certains prétendaient déduire de l’aspect d’une figure ou de la forme d’un crâne des qualités ou des défauts moraux, thèses depuis rangées parmi les fadaises pseudoscientifiques.
Horloges épigénétiques, la contre-épreuve attendue
Encore faut-il comprendre ce que mesure la machine. Les chercheurs n’expliquent pas ce que traduit, dans l’organisme, l’écart entre âge réel et âge apparent. Leur lecture d’un vieillissement accéléré reste une hypothèse que leurs données ne démontrent pas : un outil peut prédire la survie sans pour autant mesurer le vieillissement.
Plusieurs causes restent possibles. L’écart peut refléter un signal biologique propre, une maladie, des habitudes de vie, ou un mélange des trois.
Pour trancher, il faudrait confronter l’estimation faciale aux biomarqueurs (des indicateurs biologiques mesurables) que la recherche emploie déjà pour évaluer l’âge biologique. Parmi eux figurent les horloges épigénétiques, qui datent l’organisme d’après les modifications chimiques de l’ADN, mais aussi les marqueurs de l’inflammation, la fonction immunitaire, la force musculaire ou la capacité cardiorespiratoire. De nombreuses études de confirmation devront précéder tout usage des pronostics avancés.
Face aux critères des cancérologues
Les auteurs destinent pourtant leur outil aux patients âgés ou fragiles, au moment de décider d’un traitement intensif. Ils veulent rendre plus chiffrée, plus constante et applicable à grande échelle l’évaluation de la santé d’après une photographie, en appui du jugement médical.
Or les cancérologues tranchent déjà à partir d’une batterie de critères : le stade de la tumeur, ses caractéristiques histologiques (l’aspect de ses cellules au microscope) et génétiques, l’état fonctionnel du patient (sa capacité à mener ses activités quotidiennes), ses comorbidités (les maladies qui s’ajoutent au cancer), ses analyses biologiques et sa réponse aux traitements antérieurs.
Mesurer l’apport de la photographie exigerait de bâtir un modèle réunissant toutes ces variables, de lui ajouter l’image, puis d’observer si la prédiction gagne 5 %, 10 % ou rien du tout. Les chercheurs n’ont pas mené cette comparaison. Ils le reconnaissent dans leur article et réclament des essais prospectifs, qui suivraient des patients dans le temps, pour éprouver leurs outils face aux modèles pronostiques en usage (les outils de prévision de survie déjà employés en clinique).
Les auteurs visent ainsi un usage clinique avant d’avoir établi ce que leur outil ajoute à l’examen du cancérologue.
Des cohortes venues de pays à revenu élevé
Les chercheurs signalent eux-mêmes une autre faiblesse, qui tient à leurs cohortes, ces groupes de patients suivis sur la durée. Certains groupes ethniques y restent sous-représentés, et le risque de biais démographiques (des prédictions moins justes pour certaines catégories de population) persiste.
Avoir entraîné le système sur plus de 40 millions d’images ne garantit donc pas que ses prédictions vaillent pour toutes les populations. Les patients étudiés proviennent pour l’essentiel de pays à revenu élevé.
