En bref
Un programme informatique a analysé des photos de visages de personnes atteintes d’un cancer. Ses résultats étaient liés aux chances de survie dans les groupes étudiés, mais ils ne permettent pas de prédire avec certitude ce qui arrivera à une personne. Avant toute utilisation à l’hôpital, l’outil doit être testé plus largement et auprès de personnes plus diverses.
Du regard du médecin à l’analyse informatique
Pour évaluer l’état général et la fragilité d’une personne, les médecins peuvent aussi tenir compte de son apparence et de son énergie, en plus des examens et du dossier médical. Cette impression peut peser dans la réflexion sur les traitements possibles, comme une opération, une chimiothérapie ou une radiothérapie, ou sur les soins dont le patient pourrait avoir besoin. Mais elle peut varier d’un médecin à l’autre, car elle dépend de l’expérience et de l’observation de chacun.
Une équipe dirigée par Ray Mak, spécialiste en radiothérapie oncologique à l’Institut du cancer Mass General Brigham, a voulu étudier si une analyse automatisée pouvait apporter une information complémentaire plus régulière. L’objectif n’est pas de remplacer le médecin, mais de vérifier si un ordinateur peut repérer dans un visage des motifs difficiles à apprécier à l’œil nu, puis fournir un indicateur à mettre en regard des autres données médicales.
Le modèle a d’abord été entraîné sur quelque 40 millions de photos de visages, sans tâche précise à accomplir. Une fois familiarisé avec les motifs généraux présents dans ces images, il a été adapté à deux objectifs : estimer l’âge apparent d’une personne, puis analyser des photos de patients atteints d’un cancer afin d’évaluer leurs chances de survie. L’âge biologique apparent n’est pas l’âge inscrit sur les papiers d’identité : il s’agit d’une estimation fondée sur le visage, qui peut différer de l’âge réel.
Que montrent les tests menés auprès des patients ?
Dans un groupe test de 3 820 personnes atteintes d’un cancer, les chercheurs ont réparti les résultats en plusieurs niveaux de risque. Parmi les 122 personnes ayant obtenu les scores les plus élevés, 64 sont mortes dans les 90 jours suivant la prise de leur photo. Cela indique que le modèle a repéré un groupe dont le score élevé était associé à un nombre notable de décès sur une courte période. Cela ne signifie pas pour autant que toute personne ayant un score élevé va mourir, ni que ce score explique à lui seul ce qui s’est passé.
Un autre test, mené auprès de plus de 38 000 patients, a fait apparaître une association supplémentaire : dans l’ensemble, les personnes dont le visage paraissait plus âgé que leur âge réel étaient plus susceptibles de mourir. Il s’agit toutefois d’une tendance observée dans les données, et non d’une règle valable pour chaque patient. Les moyennes et les liens constatés sur de grands groupes ne permettent pas de prédire avec certitude le sort d’une personne en particulier.
Selon les chercheurs, associer l’estimation de l’âge du visage au score de survie améliorait les résultats du modèle clinique, par rapport à l’utilisation de l’un ou l’autre indicateur seul. Ces deux informations pourraient donc apporter des éléments différents et être plus utiles lorsqu’elles sont intégrées à une évaluation médicale plus complète. Les éléments présentés ne permettent cependant pas de conclure que l’outil est prêt à guider les traitements au quotidien.
Quelles zones du visage ont retenu l’attention de l’algorithme ?
L’équipe a aussi cherché à repérer les zones auxquelles le modèle prêtait attention pour produire ses estimations. Lorsqu’il évaluait l’âge, les plis entre le nez et la bouche, ainsi que certaines zones du front, ressortaient particulièrement. Pour calculer le score de risque de décès, le modèle se concentrait davantage sur l’arête du nez et la zone sous les yeux.
Mais savoir où l’algorithme porte son attention ne révèle pas pourquoi ces zones sont liées aux résultats. Les images peuvent contenir des signes visibles associés à l’état de santé général, refléter d’autres facteurs qui se recoupent, ou présenter des motifs appris par le programme dont la signification biologique reste inconnue. On ne peut donc pas conclure qu’une ride à un endroit précis ou la forme du nez entraîne un risque, ni que ces caractéristiques constituent à elles seules des indicateurs médicaux.
Les chercheurs avancent que l’apparence pourrait refléter certaines habitudes ou certains problèmes de santé connus. Ray Mak a notamment indiqué que le tabagisme et la consommation excessive d’alcool étaient associés, chez certaines personnes, à un visage estimé plus âgé. Ces observations ne prouvent pas que le modèle détecte directement le tabagisme ou la consommation d’alcool, et elles n’excluent pas que d’autres facteurs influencent à la fois le visage et l’état de santé.
Le sourire ou l’éclairage changent-ils le résultat ?
L’équipe a testé des photos présentant différentes expressions du visage, avec ou sans maquillage, et prises sous des éclairages variés. Dans les analyses présentées, ces différences n’ont pas modifié les résultats de manière notable. Le modèle a aussi pu traiter certaines photos de personnes ayant eu recours à la chirurgie esthétique pour estimer leur âge. La rhinoplastie, en revanche, a constitué une exception : après l’opération, le programme avait tendance à donner à la personne un âge légèrement supérieur à celui estimé sur ses photos d’avant.
Ce résultat rappelle que les performances d’un algorithme ne dépendent pas seulement de sa capacité à analyser un visage, mais aussi des images sur lesquelles il est entraîné et des changements que peut connaître l’apparence d’une personne. Même lorsqu’un facteur ne semble pas modifier les résultats lors des tests, il faut le vérifier auprès de groupes variés et dans des conditions de prise de vue réelles avant de généraliser.
Des limites importantes avant toute utilisation médicale
L’équipe ne considère pas que le modèle soit prêt pour une utilisation en clinique. L’une de ses principales limites tient aux données utilisées pour créer l’outil d’estimation de la survie : elles proviennent de la région de Boston et concernent surtout des personnes à la peau blanche. On peut donc se demander si les résultats seraient aussi précis chez des personnes aux origines et aux profils variés, d’autant qu’un seul groupe ne peut représenter toute la diversité des visages.
Les chercheurs travaillent à élargir les données d’entraînement pour inclure des visages plus divers. Ce n’est pas un détail technique : si certains groupes sont insuffisamment représentés, le modèle peut être moins performant pour eux. Présenter un score comme objectif alors qu’il est moins précis pour une partie de la population risque d’induire en erreur ou de mener à une décision injuste. Il faut donc mener des évaluations indépendantes à grande échelle, comparer les résultats entre différents groupes et préciser la marge d’erreur.
Un autre risque est que le résultat soit pris pour un verdict définitif. Un score élevé pourrait inquiéter un patient ou conduire à réduire ses traitements ou ses soins s’il est mal interprété. À l’inverse, un score faible pourrait rassurer à tort une personne qui a besoin d’une prise en charge rapide. Matthew Liao, professeur de bioéthique à l’Université de New York, a averti qu’une estimation erronée pourrait priver quelqu’un des soins dont il a besoin si l’on accordait trop de confiance à l’outil.
Les préoccupations ne se limitent pas aux salles de soins. À l’avenir, des outils qui évaluent la santé à partir du visage pourraient servir aux assureurs pour décider de la couverture, ou aux employeurs pour choisir des candidats. Rien ne prouve que le modèle actuel soit utilisé de cette manière, mais ces possibilités montrent pourquoi il faut réfléchir en amont à la vie privée, au consentement et à l’équité, ainsi qu’à la propriété des photos et des résultats et aux moyens de contester une décision. Un indicateur automatisé n’est pas neutre par nature, et son utilisation n’est pas forcément appropriée.
Conclusion
Cette étude ouvre une nouvelle piste de recherche : tirer d’une photo du visage des indices potentiellement liés à l’évolution du cancer. Dans les groupes étudiés, les scores les plus élevés étaient associés à un risque de décès accru, et l’association de l’âge apparent du visage et du score de survie semblait améliorer les prédictions par rapport à chacun de ces indicateurs pris séparément. Mais l’algorithme n’explique pas encore précisément ce qu’il repère et ne montre pas que certains traits du visage provoquent la maladie ou permettent de prévoir le sort de chaque patient. Avant que ces photos puissent aider les hôpitaux, il faudra élargir les données, vérifier les performances auprès de populations diverses, puis évaluer les conséquences pratiques et éthiques de leur utilisation. Pour l’instant, il s’agit d’une piste prometteuse, pas d’un diagnostic ni d’un substitut à une évaluation médicale complète.