La transformation en marche du métier d'anatomopathologiste par l'IA.

Tout commence par la numérisation des lames histologiques. La numérisation des lames histologiques, la dématérialisation des flux diagnostiques et l'intégration d'outils algorithmiques dans la pratique quotidienne redéfinissent progressivement les contours du métier de l'anatomopathologiste. C'est cette couche numérique qui rend l'IA opérable : la pathologie numérique modernise les pratiques de routine et ouvre la voie à l'intégration de solutions d'IA à visée diagnostique et de recherche.

Nous rapportons ici l'intégralité d'un éditorial du The Lancet publié en avril 2026.

Transforming digital pathology with AI. The Lancet Digital Health.Lancet Digit Health. 2026 Apr;8(4):101026. doi: 10.1016/j.landig.2026.101026. Epub 2026 May 9.

L'intérêt du Whole Slide Image (WSI)

En mars 2026, la FDA (Food and Drug Administration) américaine a validé le dispositif révolutionnaire à Path Assist Derm , un outil d'intelligence artificielle (IA) qui améliore les flux de travail en pathologie grâce à l'analyse d'images de lames entières (WSI) de lésions cutanées. Cette désignation illustre le passage de l'utilisation de l'IA des applications expérimentales aux outils cliniquement pertinents.

Un impact considérable

Cette évolution aura probablement un impact considérable, reflétant le passage du diagnostic traditionnel par microscopie à l'analyse numérique à grande échelle des lames virtuelles. Les progrès de l'analyse des lames virtuelles s'étendent au-delà du diagnostic du cancer de la peau, comme le montre une étude publiée dans le numéro d'avril de The Lancet Digital Health.

Molecular alterations prediction in gliomas via an interpretable deep learning model : a multicentre and retrospective study. Han C, Li D, Zhao B, Zhang X, Lin J, Yan X, Mao N, Lin J, Deng T, Huang J, Zhang J, Li J, Li X, Li H, Yan Y, Zhu X, Yao X, Yan H, Zhao S, Wang L, Ming Y, Liu X, Li S, Fan C, She H, Dai Y, Ye L, Wang J, Liu F, Guo X, Cui Y, Zhang Q, Ping Y, Liu Y, Bian X, Liu Z, Liang L.Lancet Digit Health. 2026 Apr;8(4):100977. doi: 10.1016/j.landig.2025.100977. Epub 2026 May 11.

Chu Han et ses collègues ont entraîné un modèle sur des lames virtuelles de tissus de gliomes de patients afin de l'utiliser comme outil de triage dans les contextes aux ressources limitées. Leur étude propose une approche de dépistage rentable, dotée d'une performance prédictive élevée pour les altérations moléculaires des gliomes.

Un modèle computationnel combinant les caractéristiques visuelles et linguistiques

Au-delà de la simple analyse d'images, les modèles de base peuvent combiner des caractéristiques visuelles et linguistiques en apprenant à partir d'images histologiques et de leur texte descriptif. Ces modèles sont de plus en plus pertinents tout au long du processus de pathologie, de la détection et du diagnostic des maladies à la segmentation tissulaire et à l'identification des structures.

A visual-language foundation model for computational pathology. Lu MY, Chen B, Williamson DFK, Chen RJ, Liang I, Ding T, Jaume G, Odintsov I, Le LP, Gerber G, Parwani AV, Zhang A, Mahmood F.Nat Med. 2024 Mar;30(3):863-874. doi: 10.1038/s41591-024-02856-4. Epub 2024 Mar 19.

Une étude marquante sur l'utilisation de l'IA pour l'analyse d'images numériques a rapporté l'utilisation de ProvGigaPath, un modèle de base exploitant des données réelles et atteignant des performances de pointe sur diverses tâches de pathologie numérique, démontrant ainsi le véritable potentiel de ces modèles en situation réelle.

A whole-slide foundation model for digital pathology from real-world data. Xu H, Usuyama N, Bagga J, Zhang S, Rao R, Naumann T, Wong C, Gero Z, González J, Gu Y, Xu Y, Wei M, Wang W, Ma S, Wei F, Yang J, Li C, Gao J, Rosemon J, Bower T, Lee S, Weerasinghe R, Wright BJ, Robicsek A, Piening B, Bifulco C, Wang S, Poon H.Nature. 2024 Jun;630(8015):181-188. doi: 10.1038/s41586-024-07441-w. Epub 2024 May 22.

Une autre étude a également démontré l'utilité clinique de ce modèle grâce au développement d'un modèle de base capable de détecter avec précision les biomarqueurs du cancer du poumon. L'utilisation de ce modèle a permis de réduire le nombre de tests moléculaires nécessaires au diagnostic, tout en maintenant un niveau de performance clinique optimal.

Real-world deployment of a fine-tuned pathology foundation model for lung cancer biomarker detection. Campanella G, Kumar N, Nanda S, Singi S, Fluder E, Kwan R, Muehlstedt S, Pfarr N, Schüffler PJ, Häggström I, Neittaanmäki N, Akyürek LM, Basnet A, Jamaspishvili T, Nasr MR, Croken MM, Hirsch FR, Elkrief A, Yu H, Ardon O, Goldgof GM, Hameed M, Houldsworth J, Arcila M, Fuchs TJ, Vanderbilt C.Nat Med. 2025 Sep;31(9):3002-3010. doi: 10.1038/s41591-025-03780-x. Epub 2025 Jul 9.

Une IA comme complément utile qui devient une IA améliorant les diagnostics pathologiques et la charge de travail

Ces études illustrent le passage d'une IA considérée comme un complément utile au déploiement de modèles fondamentaux précieux qui améliorent les processus de pathologie et allègent la charge de travail des pathologistes.

Un intérêt pour les pays à ressources limitées

Les applications émergentes de l'IA en pathologie numérique pourraient avoir un impact majeur et immédiat sur l'efficacité des laboratoires dans les pays à ressources élevées. Au-delà de ces contextes, des chercheurs affirment que, déployées de manière responsable, les modèles d'IA peuvent également contribuer à améliorer l'accès équitable au diagnostic du cancer dans les contextes à ressources limitées.

Application of artificial intelligence and digital tools in cancer pathology. Shaktah LA, Carrero ZI, Hewitt KJ, Gustav M, Cecchini M, Foersch S, Berezowska S,Kather JN. Lancet Digit Health. 2025 Oct;7(10):100933. doi: 10.1016/j.landig.2025.100933. Epub 2025 Nov 14.

Appliqués aux données d'histopathologie de routine, les modèles de base peuvent constituer des outils évolutifs et généralisables permettant l'accès à l'oncologie de précision dans les environnements où les tests génomiques restent inaccessibles. Correctement mis en œuvre, ces outils peuvent transformer le diagnostic et le dépistage du cancer pour les patients dans ces contextes à ressources limitées.

Des risques de biais

Pris ensemble, toutes ces études plaident fortement en faveur de la large applicabilité des modèles d'IA dans différents contextes de pathologie numérique. Néanmoins, le déploiement efficace de l'IA se heurte à des défis opérationnels, tels que l'intégration aux flux de travail et la faisabilité à long terme, ainsi qu'à des obstacles techniques.

Par exemple, les modèles de vision et de langage peuvent être vulnérables aux injections de données prématurées et présenter une précision variable, car ils exploitent les corrélations plutôt que les relations causales dans les données.

Confounding factors and biases abound when predicting molecular biomarkers from histological images. Dawood M, Branson K, Tejpar S, Rajpoot N, Minhas FUAA.Nat Biomed Eng. 2026 Mar 2. doi: 10.1038/s41551-026-01616-8. Online ahead of print.

Ces risques pourraient être atténués par des tests des flux de travail, une gouvernance appropriée, des politiques de protection des données, l'utilisation de jeux de données multi-institutionnels diversifiés, une validation externe et, surtout, une supervision humaine.

La formation des futurs professionnels d'anatomopathologie

Par conséquent, il est fondamental de former la prochaine génération de pathologistes à une utilisation appropriée et responsable de l'IA.

La transformation de la pathologie numérique par l'IA exige une redéfinition du rôle du pathologiste : d'un observateur principalement axé sur l'analyse visuelle des échantillons, il deviendra un superviseur humain des flux de travail liés à l'IA.

Outre les compétences traditionnelles d'interprétation d'images et de rédaction de comptes rendus cliniques, qui demeurent au cœur de son expertise, le pathologiste de demain maîtrisera non seulement les flux de travail numériques, mais sera également capable d'évaluer de manière critique les résultats de l'IA.

Pour accompagner cet avenir, les instances médicales et les formateurs devraient intégrer la formation à la culture de l'IA et à la détection des biais algorithmiques au cœur des cursus de l'anatomopathologie. Cette approche permettra aux pathologistes de préserver leurs compétences fondamentales et de garder la maîtrise de leurs décisions, tout en tirant parti de l'IA de manière éclairée.

La prochaine génération de pathologistes doit acquérir les compétences et les connaissances nécessaires pour utiliser efficacement l'IA à son avantage et s'approprier les outils d'IA, en veillant à ce que ces outils restent des outils précieux, et non des substituts, à l'expertise humaine.

COMMENTAIRES. Des déploiements concrets de cette nouvelle approche de la pathologie numérique existent déjà en France : au CHU de Rennes, la pathologie numérique est déployée en routine depuis 2020, et une solution d'IA pour la détection de l'adénocarcinome prostatique (Galen® Prostate, Ibex) est intégrée depuis juillet 2023, avec une concordance entre l'IA et les pathologistes de 93,2 % pour la détection de cancer à forte probabilité, et de 99 % pour les lames à faible probabilité.

L'IA excelle dans les tâches répétitives à fort volume : détection de foyers tumoraux, gradation, comptage cellulaire. Ces tâches, chronophages et sources de variabilité inter-observateur, sont progressivement automatisées.

La rupture la plus profonde concerne les biomarqueurs virtuels : le deep learning permet d'analyser directement les images histologiques numérisées et d'en extraire des biomarqueurs virtuels associés à des altérations génétiques ou à la réponse thérapeutique. Ces outils ouvrent la voie à une pathologie computationnelle intégrée, combinant données morphologiques, moléculaires et cliniques pour une médecine de précision. En d'autres termes, l'IA peut prédire un statut moléculaire à partir d'une simple lame, sans nécessiter de test moléculaire coûteux. En pathologie thoracique notamment, les applications sont particulièrement adaptées à l'oncologie pulmonaire : la complexité croissante des classifications histologiques et la nécessité d'intégrer des patterns morphologiques multiples pour définir des types histologiques et plusieurs grades de malignité rendent ces outils précieux.

L'IA ne remplacera pas l'anatomopathologiste. Malgré les défis liés à la qualité des données, à la standardisation et aux aspects éthiques, l'IA ne remplacera pas l'anatomopathologiste, mais renforcera son rôle central dans le diagnostic. L'avenir se dessine comme une synergie "homme-machine", où l'IA a vocation à amplifier les capacités d'analyse, de détection et de compréhension du professionnel, en plaçant ce dernier au centre du processus diagnostique.

10 juin 2026