Octobre Rose : comment l'IA peut-elle aider à détecter le cancer du sein ?

Dans cette activité, les élèves utilisent l'interface de reconnaissance d'images de Vittascience pour entraîner un modèle d'intelligence artificielle à analyser des mammographies, c'est-à-dire des radiographies des seins.

À partir d'images médicales réelles, ils apprennent à distinguer trois catégories :

• Les mammographies sans anomalie identifiée
• Les mammographies présentant une anomalie bénigne
• Les mammographies présentant une anomalie maligne.

Cette activité permet de découvrir le principe de l'apprentissage automatique, tout en développant un regard critique sur les résultats produits par une IA.

Important : Cette activité est une démonstration pédagogique destinée à comprendre le fonctionnement de l'intelligence artificielle. Le modèle entraîné par les élèves n'est pas optimisé ni validé pour la détection du cancer du sein. Ses prédictions ne peuvent en aucun cas être utilisées pour établir un diagnostic médical.

1. Découvrir le rôle de l'IA en médecine (10 min)

Commencez par interroger les élèves : Comment les médecins peuvent-ils repérer une anomalie sur une mammographie ? L'intelligence artificielle peut-elle les aider ?Expliquez que certains systèmes d'IA sont capables d'analyser des images médicales afin de signaler des zones suspectes. Ils peuvent constituer une aide pour les professionnels de santé, mais ne remplacent pas leur expertise.

2. Entraîner une IA à reconnaître des mammographies (15 min) 
Rendez-vous sur l'interface de reconnaissance d'images de Vittascience.

Le modèle dispose de trois catégories : sans anomalie, anomalie bénigne et anomalie maligne.



Vous pouvez l'ouvrir avec ce lien.

Si vous souhaitez que vos élèves créent le modèle directement d'eux-mêmes, voici les images à télécharger : [url=https://drive.google.com/drive/folders/1KorqaUvlH0MiUzhKd9U_YIz1g6wDS-kw?usp=sharing]Images d'entraînement
[/url]Il vous faudra donc simplement leur faire ouvrir l'interface et non le modèle déjà créé.

À partir du jeu d'entraînement fourni, les élèves découvrent comment une IA apprend à différencier des images en créant des catégories et en y ajoutant les images associées.
Une fois les images importées, les élèves peuvent lancer l'entraînement du modèle.

3. Tester le modèle sur de nouvelles images (10 min)
Une fois l'entraînement terminé, demandez aux élèves de tester leur modèle à l'aide du jeu de test fourni séparément.

Pour chaque mammographie, ils observent la catégorie prédite par l'IA et la comparent à la catégorie attendue.

Attention : Il est indispensable de tester le modèle sur des images qu'il n'a jamais rencontrées pendant son entraînement ! Réutiliser les mêmes images pourrait donner des résultats artificiellement élevés, sans démontrer que le modèle est capable de reconnaître correctement de nouvelles mammographies.
[url=https://drive.google.com/drive/folders/1fFBPvBXr4rqC8EB99Gvba7MEqM3flgTu?usp=sharing]
[/url][url=https://drive.google.com/drive/folders/1fFBPvBXr4rqC8EB99Gvba7MEqM3flgTu?usp=sharing]Images à télécharger pour tester le modèle

[/url]

4. Analyser les résultats et les limites de l'IA (10 à 15 min)
Invitez les élèves à échanger autour de quelques questions :

• L'IA a-t-elle correctement classé toutes les mammographies ?
• Pourquoi peut-elle commettre des erreurs ?
• Quelles pourraient être les conséquences d'une anomalie non détectée ?
• Pourquoi les professionnels de santé doivent-ils conserver un rôle central dans l'analyse des résultats ?

Pour conclure, expliquez que les performances d'une IA dépendent notamment de ses données d'entraînement et que son utilisation dans un contexte médical nécessite des évaluations rigoureuses.

Attention aux limites du modèle !

Les images proposées pour tester le modèle ont été volontairement sélectionnées pour illustrer les incertitudes de l'intelligence artificielle. Pour certaines mammographies, le modèle prédit une catégorie avec un pourcentage de confiance très élevé, tandis que pour d'autres, ses prédictions sont moins affirmées et les pourcentages sont davantage répartis entre les catégories.

Ces résultats montrent les limites d'un modèle pédagogique, entraîné sur un nombre restreint d'images.

Pour obtenir un système plus performant et fiable, il serait nécessaire de l'entraîner sur un ensemble beaucoup plus important et diversifié de mammographies, avec des annotations médicales précises, puis de l'évaluer rigoureusement.

Attention : un pourcentage de confiance élevé ne garantit pas que la prédiction est correcte !

Cette ressource vise à sensibiliser les élèves au fonctionnement de l'intelligence artificielle et à ses applications potentielles en médecine. Elle ne constitue ni un outil de dépistage ni un dispositif médical.