Analyse de la peau par l'IA ou par un dermatologue : qui est le plus précis ?
Comment les outils d'analyse de la peau par l'IA se comparent aux dermatologues, leurs points forts, leurs faiblesses, et comment ils peuvent s'intégrer dans tes routines de suivi intelligentes.
L'analyse de la peau par l'IA consiste à utiliser des algorithmes d'apprentissage automatique, généralement des réseaux neuronaux profonds entraînés sur de grands ensembles de données d'images, pour identifier des affections cutanées à partir de photographies. Ces outils vont des applications pour smartphone qui classifient les grains de beauté aux systèmes de qualité clinique qui aident les dermatologues à poser un diagnostic. Dans certaines tâches précises, leur exactitude rivalise désormais avec celle des spécialistes certifiés.
La promesse est séduisante : tu pointes ton téléphone vers une tache et tu obtiens une évaluation instantanée. Mais la réalité est plus compliquée que ne le suggère n'importe quelle description sur l'App Store. L'IA donne d'excellents résultats dans des environnements contrôlés, mais rencontre des difficultés dans d'autres, et le fossé entre un article de recherche et le miroir de ta salle de bain est plus grand que la plupart des gens ne l'imaginent.
Points clés à retenir :
- L'IA égale ou dépasse la précision des dermatologues pour des tâches spécifiques comme la classification des mélanomes, mais uniquement lorsqu'elle est testée sur les mêmes types d'images que celles sur lesquelles elle a été entraînée.
- Les applications d'analyse de la peau sur smartphone manquent de validation clinique cohérente, et la plupart n'ont pas été approuvées par les organismes de réglementation.
- L'IA est beaucoup moins performante sur les peaux foncées, car les données d'entraînement sont majoritairement biaisées en faveur des peaux plus claires.
- L'utilisation la plus efficace de l'IA est en tant qu'outil d'aide à la décision aux côtés d'un dermatologue, et non en remplacement.
- Ta meilleure approche est d'utiliser les outils d'IA pour le suivi et la sensibilisation, tout en consultant un dermatologue pour le diagnostic.
Quelle est la précision de l'IA pour diagnostiquer les affections cutanées ?
Dans des cadres de recherche contrôlés, l'IA s'en sort bien. Très bien, même. Une étude de 2017 a entraîné un réseau neuronal convolutif sur 129 450 images cliniques couvrant 2 032 maladies de la peau et a égalé la précision de classification de 21 dermatologues certifiés 1. Une revue systématique couvrant des études de 2013 à 2023 a révélé que l'IA n'était pas inférieure ou était supérieure aux dermatologues dans 30 études sur 34, avec une sensibilité groupée de 86 % et une spécificité de 94 % pour la détection du mélanome 2. Ces chiffres sont impressionnants. Mais ils sont à nuancer : ces résultats reflètent les performances sur des ensembles de données de recherche spécialisés, pas sur les photos floues et mal éclairées que tu prends dans ta salle de bain.
Les applications d'analyse de la peau sont-elles aussi efficaces que les études le suggèrent ?
Pas encore. Une revue systématique des applications pour smartphone basées sur des algorithmes a conclu que les outils actuels « ne peuvent pas être considérés comme fiables pour détecter tous les cas de mélanome » et que les performances en conditions réelles sont probablement inférieures à ce que rapportent les articles de recherche 3. Seulement cinq applications de dermatologie étaient étayées par des études évaluées par des pairs, et seules quatre divulguaient leur statut d'approbation réglementaire 4. Une application disponible dans le commerce, SkinVision, a atteint une sensibilité de 80 % et une spécificité de 78 % dans les études, mais une analyse indépendante a qualifié sa précision de faible par rapport aux recommandations des experts. Le fossé entre un test en laboratoire et l'appareil photo de ton téléphone un mardi matin est bien réel, et il a son importance.
L'IA est-elle aussi performante sur toutes les couleurs de peau ?
Non, et c'est l'un des plus grands problèmes non résolus de l'IA en dermatologie. La recherche montre que les modèles de pointe sont nettement moins performants sur les peaux foncées et pour les maladies rares 5. La cause profonde réside dans les données d'entraînement : la plupart des ensembles de données d'images utilisés pour construire ces systèmes surreprésentent massivement les peaux claires, ce qui signifie que les algorithmes ont tout simplement vu moins d'exemples d'affections se présentant sur des peaux foncées 6. Une revue de la portée a confirmé une sous-déclaration et une sous-représentation systématiques des divers types de peau dans la recherche en apprentissage automatique pour la détection du cancer de la peau 7. L'ajustement des modèles sur des ensembles d'images plus diversifiés comble cet écart de performance, mais tant que cela ne deviendra pas une pratique courante, l'analyse de la peau par l'IA comporte un problème d'équité intrinsèque.
| Facteur | Analyse de la peau par l'IA | Dermatologue |
|---|---|---|
| Sensibilité au mélanome | ~86 % (groupée) | ~91 % (expérimenté) |
| Fonctionne sur toutes les couleurs de peau | Limitée par les données d'entraînement | Varie selon l'expérience du clinicien |
| Prise en compte du contexte | Image uniquement | Antécédents médicaux complets, toucher, contexte |
| Disponibilité | 24h/24, 7j/7, sur n'importe quel smartphone | Rendez-vous requis, des semaines d'attente |
| Coût | Gratuit ou peu coûteux | Dépend de l'assurance, souvent 100 $+ |
| Surveillance réglementaire | Majoritairement non réglementée | Certifié, titulaire d'une licence |
Quand devrais-tu faire confiance à l'IA plutôt qu'à un dermatologue (et vice versa) ?
L'IA est plus efficace en tant qu'outil de dépistage et de suivi. Si tu veux surveiller un grain de beauté au fil du temps, signaler quelque chose qui te semble suspect ou obtenir une deuxième source de données avant de prendre rendez-vous, c'est là que ces outils sont utiles. Le Skin Bliss Face Scanner, par exemple, utilise l'IA pour créer un profil de peau personnalisé et suivre les changements dans le temps. Il te donne des données à apporter à ton dermatologue plutôt que de remplacer cette visite.
Là où l'IA échoue, c'est dans la nuance. Un dermatologue touche ta peau, te pose des questions sur tes médicaments, prend en compte tes antécédents familiaux. Un modèle d'IA qui ne t'a jamais vu auparavant traite des pixels. Pour tout ce qui est préoccupant, comme une lésion qui a changé de forme, de couleur ou de taille, un expert humain reste la référence en matière de soins.
L'IA et les dermatologues peuvent-ils travailler ensemble efficacement ?
Oui, et la combinaison des deux est plus performante que l'un ou l'autre pris séparément. Une étude sur l'IA explicable a révélé que lorsque les dermatologues utilisaient l'IA comme outil d'aide à la décision, la précision équilibrée de leur diagnostic s'améliorait de 2,8 points de pourcentage par rapport à l'utilisation d'une IA standard ou d'aucune IA du tout 8. Les algorithmes informatiques du défi de l'International Skin Imaging Collaboration ont obtenu une aire sous la courbe plus élevée (0,87) que les dermatologues (0,74) pour la classification des mélanomes, mais les cliniciens ont tout de même surpassé l'IA lorsqu'ils avaient accès au contexte clinique 9. L'IA est un collaborateur utile. La traiter comme tel produit de meilleurs résultats que de la considérer comme un sauveur ou un gadget.
Foire aux questions
Une application d'IA peut-elle remplacer ton dermatologue ?
Non. Les applications actuelles d'analyse de la peau par l'IA manquent de validation clinique cohérente et ne peuvent pas prendre en compte tes antécédents médicaux, les interactions médicamenteuses ou les informations tactiles qu'un dermatologue recueille lors d'un examen. Il est préférable de les utiliser pour le suivi et la sensibilisation, et non pour un diagnostic définitif.
Les applications d'analyse de la peau par l'IA sont-elles réglementées ?
La plupart ne le sont pas. Une revue des applications de dermatologie par l'IA disponibles dans le commerce a révélé que seules quatre d'entre elles divulguaient leur statut d'approbation par la FDA ou le marquage CE 4. Cela signifie que de nombreuses applications faisant des déclarations de diagnostic n'ont pas été vérifiées de manière indépendante quant à leur sécurité ou leur précision.
Pourquoi l'IA est-elle moins performante sur les peaux foncées ?
Les modèles d'IA apprennent à partir de données d'entraînement, et les ensembles de données utilisés dans la recherche en dermatologie présentent de manière écrasante des images de peaux plus claires 6. Avec moins d'exemples d'affections sur des peaux foncées, les algorithmes ont moins d'informations sur lesquelles s'appuyer, ce qui réduit leur précision pour ces types de peau.
Comment peux-tu utiliser les outils d'IA pour la peau de manière responsable ?
Utilise-les pour suivre les changements au fil du temps et pour signaler les problèmes dont tu souhaites discuter avec un professionnel. N'utilise pas le résultat d'une application comme prétexte pour sauter un rendez-vous chez le dermatologue, surtout pour les lésions nouvelles, changeantes ou symptomatiques. Apporte les données de suivi de l'IA à ta prochaine consultation pour que ton médecin ait plus d'informations avec lesquelles travailler.
Sources
- Esteva A, Kuprel B, Novoa RA, et al. (2017). "Dermatologist-level classification of skin cancer with deep neural networks." *Nature*.
- Diagnostic accuracy of artificial intelligence compared to family physicians and dermatologists for skin conditions: a systematic review and meta-analysis. (2025).
- Freeman K, Dinnes J, Chuchu N, et al. (2020). "Algorithm based smartphone apps to assess risk of skin cancer in adults: systematic review of diagnostic accuracy studies." *BMJ*.
- Current State of Dermatology Mobile Applications With Artificial Intelligence Features. (2024).
- Daneshjou R, Vodrahalli K, Novoa RA, et al. (2022). "Disparities in dermatology AI performance on a diverse, curated clinical image set." *Sci Adv*.
- Wen D, Khan SM, Ji Xu A, et al. (2022). "Bias in, bias out: Underreporting and underrepresentation of diverse skin types in machine learning research for skin cancer detection." *J Am Acad Dermatol*.
- Marchetti MA, Codella NCF, Dusza SW, et al. (2019). "Computer algorithms show potential for improving dermatologists' accuracy to diagnose cutaneous melanoma." *J Am Acad Dermatol*.
- Dermatologist-like explainable AI enhances melanoma diagnosis accuracy: eye-tracking study. (2025).
- Marchetti MA, Codella NCF, Dusza SW, et al. (2019). "Computer algorithms show potential for improving dermatologists' accuracy to diagnose cutaneous melanoma: Results of the ISIC 2017." *J Am Acad Dermatol*.
