Un besoin urgent de dépistage rapide

La tuberculose (TB) reste l’une des infections les plus mortelles, avec environ 1,23 million de décès chaque année selon les auteurs de l’article de Google Research. Dans les zones à forte prévalence, l’accès aux radiologues est limité : les cliniques rurales ou les sites industriels, comme les mines profondes, disposent rarement de spécialistes ni d’infrastructures d’imagerie. Cette pénurie entraîne des retards de diagnostic qui favorisent la transmission.

Des algorithmes capables de rivaliser avec les experts

Le premier défi était de savoir si une Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. pouvait interpréter les radiographies thoraciques (CXR) avec la même précision qu’un radiologue expérimenté. En 2019, l’équipe a publié dans Radiology un benchmark montrant que des réseaux de neurones profonds pouvaient identifier la TB active avec une performance comparable à celle des spécialistes. Cette affirmation a été corroborée en 2021 lorsqu’une évaluation du Stop TB Partnership, relayée dans The Lancet Digital Health, a classé le modèle parmi les meilleurs outils de dépistage TB au monde. L’Organisation mondiale de la santé (OMS) a alors recommandé l’usage du CAD (computer‑aided detection) pour le triage. Une validation prospective multi‑site, détaillée dans NEJM AI en septembre 2024, a confirmé une haute sensibilité du système sur des populations diversifiées, tout en détectant d’autres anomalies pulmonaires et cardiaques.

Passer du laboratoire à la pratique quotidienne

TransformerArchitecture de réseau neuronal reposant notamment sur des mécanismes d'attention pour traiter des séquences de données. un algorithme en dispositif médical nécessite de combler le « gap » de traduction : robustesse face à différents appareils d’imagerie, fonctionnement hors‑ligne, intégration au flux de travail clinique et conformité réglementaire. Google Research a collaboré avec Nexus AI, société sud‑africaine, pour certifier le logiciel. Le dispositif a obtenu la certification CE MDR classe IIb et la conformité ISO 13485, gages de sécurité et de qualité. Un accord avec FIND vise la pré‑qualification OMS, étape indispensable pour les achats publics, tandis qu’un parcours vers l’autorisation FDA américaine est en cours.

Déploiements concrets dans plusieurs pays

Aujourd’hui, la solution de Nexus AI est installée dans une quarantaine de structures de santé à travers six pays : Afrique du Sud, Sierra Leone, Côte d’Ivoire, République Démocratique du Congo, Zambie et Cameroun. Plus de 90 cliniciens ont analysé plus de 25 000 radiographies, réduisant le délai de lecture de plusieurs semaines à moins de 45 secondes. Le projet comprend également 3 000 dépistages gratuits pour les cliniques publiques, avec l’objectif de passer à 10 000 annuellement.

Un cas d’usage extrême : la mine Mponeng

L’implantation la plus spectaculaire se situe à la mine d’or Mponeng en Afrique du Sud, où les mineurs travaillent à plus de 4 km sous terre, exposés à la poussière de silice. En partenariat avec le Stop TB Partnership, Harmony Gold Mine et le ministère de la Santé sud‑africain, des kits d’imagerie portables et une IA fonctionnant hors‑ligne ont été installés directement dans les galeries. Les travailleurs sont dépistés sur place en quelques secondes, puis orientés immédiatement vers un test moléculaire de confirmation, condensant ainsi plusieurs rendez‑vous en une seule visite.

Vers des fondations ouvertes : MedSigLIP et MedGemma

Pour que l’impact s’étende au-delà des projets pilotes, Google Research a lancé les Health AI Developer Foundations (HAI‑DEF). Cette initiative open‑source met à disposition les EmbeddingReprésentation numérique vectorielle d'un contenu permettant notamment de mesurer des similarités entre des éléments. des CXR et MedSigLIP, un modèle vision‑texte léger qui aligne les images médicales avec le langage clinique. Les développeurs peuvent ainsi créer des classificateurs ou des systèmes de recherche d’images avec des étiquettes en langage naturel, en ne nécessitant que quelques exemples locaux.

Le successeur, MedGemma, propose des modèles multimodaux de 4 et 27 milliards de paramètres. Au-delà de la simple classification, MedGemma combine les résultats radiographiques avec l’historique clinique, répond aux requêtes des médecins en langage naturel et fonctionne entièrement hors ligne, préservant la confidentialité des données. Depuis son lancement, le modèle a été téléchargé plus de 10 millions de fois.

Souveraineté des données : l’exemple de l’Indonésie

Face à un fardeau de TB parmi les plus élevés au monde, le ministère de la Santé indonésien ambitionne de dépister 50 millions de citoyens chaque année. Le traitement manuel de tant d’imageries est impossible, et les solutions cloud propriétaires posent des problèmes de résidence des données. En s’appuyant sur MedGemma et MedSigLIP, les autorités locales affinent les modèles sur leurs propres radiographies, garantissant que le traitement reste sur l’infrastructure nationale et que les données patients ne quittent pas le pays.

Au‑delà de l’imagerie : le dépistage acoustique HeAR

Conscients que toutes les zones n’ont pas accès à l’imagerie, les chercheurs de Google ont développé Health Acoustic Representations (HeAR). Entraîné sur plus de 300 millions d’enregistrements audio, HeAR analyse les sons de toux capturés par un smartphone pour identifier des signatures compatibles avec la TB. Le projet pilote est déjà testé dans plusieurs régions d’Afrique subsaharienne, offrant une première couche de dépistage où les radiographies sont inaccessibles.

Vers une lutte plus équitable

L’ensemble de ces initiatives montre comment les modèles d’IA, lorsqu’ils sont rendus ouverts et adaptés aux contraintes locales, peuvent transformer le dépistage de la tuberculose. En combinant rapidité, précision et respect de la souveraineté des données, ils offrent aux systèmes de santé des outils concrets pour réduire le nombre de cas non détectés et, à terme, le nombre de décès liés à cette maladie.