DeepGEM 2.0 : 12 gènes du cancer du poumon lus en une minute

Samedi 10 octobre, à Canton, le premier hôpital affilié à l'Université de médecine de Guangzhou et le groupe de diagnostic KingMed ont dévoilé DeepGEM 2.0. Un modèle multimodal qui regarde une lame de pathologie — le même bout de verre que le médecin met sous son microscope depuis cent cinquante ans — et annonce quelles mutations génétiques portent les cellules tumorales. Douze gènes du cancer du poumon. Une minute. Jusqu'à 90 % de précision, selon ses concepteurs.

La nouvelle a tourné dans toutes les veilles IA du week-end, et pour une fois le buzz n'est pas qu'une question de benchmark. Si DeepGEM 2.0 tient ses promesses, il ne rend pas un radiologue plus rapide : il rend un test à plusieurs milliers de yuans accessible à des patients qui ne pouvaient pas se le payer. C'est une tout autre catégorie d'annonce.

Ce qui a été présenté à Canton

Le modèle est né d'un attelage entre un hôpital universitaire et un laboratoire privé de diagnostic — Guangzhou KingMed Diagnostics, l'un des plus gros opérateurs de biologie médicale chinois. L'équipe de Zhong Nanshan, le pneumologue devenu une figure publique en Chine depuis le SRAS, est associée au projet via le Centre national de médecine respiratoire.

Les éléments annoncés :

• Reconnaissance génique à partir de l'image, en une minute environ, sur lame de pathologie numérisée ;
• pré-criblage simultané des cibles correspondant aux thérapies ciblées du cancer du poumon homologuées en Chine ;
• une précision annoncée « jusqu'à 90 % », attribuée à Liu Si, responsable de l'IA chez KingMed ;
• un coût ramené à quelques centaines de yuans, en combinant le pré-criblage par IA et la vérification ciblée d'un ou deux gènes seulement ;
• un projet multicentrique lancé avec 50 établissements, qui marque l'entrée en validation clinique à grande échelle ;
• un déploiement visé dans plus de 500 établissements sur le territoire chinois.

La première génération, elle, date de 2025. Elle prenait déjà la lame en entrée pour prédire la probabilité de mutation et sa distribution spatiale dans le tissu — c'est-à-dire non seulement « il y a une mutation », mais « elle est là, dans cette zone de la tumeur ».

Comment une lame de verre peut trahir une mutation

L'idée derrière DeepGEM paraît contre-intuitive : le génome ne se voit pas au microscope. Sauf qu'une mutation motrice change la façon dont les cellules poussent, s'empilent, se déforment, s'organisent entre elles. Un adénocarcinome muté EGFR n'a pas la même architecture tissulaire qu'une tumeur réarrangée ALK. Le pathologiste expérimenté le sent parfois. Le réseau de neurones, lui, l'apprend sur des dizaines de milliers d'images annotées par le résultat du séquençage réel.

Techniquement, c'est de l'apprentissage par instances multiples : la lame entière est découpée en milliers de petites tuiles, le modèle apprend lesquelles portent le signal utile, et agrège. D'où la carte spatiale en sortie — et d'où, aussi, un intérêt clinique inattendu : l'hétérogénéité intratumorale, cette mosaïque de clones différents dans une même tumeur, devient visible. Un séquençage sur un fragment broyé, lui, la moyenne et l'efface.

Les chiffres de la version précédente

C'est là qu'il faut regarder, parce que DeepGEM 1.0 a été évalué publiquement et DeepGEM 2.0 pas encore. Les données présentées au congrès mondial de l'IASLC en septembre 2024, sous la conduite du professeur Wenhua Liang (State Key Laboratory of Respiratory Disease), portaient sur 3 658 patients issus de 16 centres :

• 1 717 patients pour l'entraînement et l'évaluation interne ;
• 1 719 patients pour le test externe, répartis sur 15 centres ;
• 535 patients du jeu public TCGA ;
• 331 biopsies de métastases ganglionnaires en validation complémentaire.

Les performances, exprimées en AUC (1,0 = parfait, 0,5 = tirage au sort) :

• 0,938 sur biopsies excisionnelles en interne, 0,891 sur ponctions ;
• 0,859 et 0,826 sur les mêmes types de prélèvements en validation externe multicentrique ;
• 0,874 sur TCGA.

La chute entre interne et externe mérite d'être notée : c'est le signe habituel qu'une partie de la performance venait du scanner, du protocole de coloration ou des habitudes du laboratoire d'origine. Rien de disqualifiant — tous les modèles de pathologie numérique vivent ça — mais 0,86 n'est pas 0,94.

Un essai randomisé contrôlé sur l'outil est par ailleurs enregistré sur ClinicalTrials.gov, ce qui est encore rare pour un modèle de ce type.

Pourquoi le prix est le vrai sujet

Dans le cancer bronchique non à petites cellules, le profil moléculaire décide du traitement. Pas d'altération identifiée, pas de thérapie ciblée, retour à la chimiothérapie. Le séquençage de nouvelle génération coûte en Chine plusieurs milliers de yuans, souvent mal remboursés, avec un délai d'une à deux semaines — et il faut assez de matériel tumoral, ce qui n'est jamais garanti sur une ponction transbronchique.

Le pari de DeepGEM 2.0 n'est pas de remplacer ce séquençage. C'est de le trier. Le modèle dit « cette tumeur a 85 % de chances de porter telle altération » ; on ne vérifie alors que celle-là, par un test mono-gène bien moins cher. Les patients négatifs sur tous les fronts échappent à une dépense inutile. Multiplié par le volume chinois — le cancer du poumon y est le premier cancer en incidence comme en mortalité — l'économie se compte en centaines de millions.

Les trous dans la raquette

Quelques réserves, et elles comptent.

« Jusqu'à 90 % » est une formule commerciale. Jusqu'à 90 % sur quel gène, quelle population, quel type de prélèvement ? Une AUC moyenne masque toujours des gènes bien prédits et des gènes catastrophiques, typiquement les altérations rares — celles qui ouvrent justement l'accès aux molécules les plus efficaces.

Un faux négatif n'est pas un faux positif. Un patient à qui l'IA dit « probablement pas de mutation » et qu'on ne séquence pas ensuite perd l'accès à un traitement qui aurait pu lui donner des années. Toute la sécurité du dispositif tient au seuil retenu et à la règle écrite : que fait-on quand le modèle dit non ?

La population d'entraînement est chinoise. La fréquence des mutations EGFR y est nettement plus élevée qu'en Europe ou en Amérique du Nord. Un modèle calibré sur cette prévalence ne se transpose pas tel quel à Lille ou à Lyon.

Rien n'a été publié sur la version 2.0. Communiqué, conférence de presse, reprises médiatiques : aucune publication relue par des pairs à ce stade. Les 50 centres de validation existent précisément pour produire ces données.

Et maintenant ?

Le calendrier annoncé est serré : validation multicentrique en cours, déploiement visé au-delà de 500 établissements. La Chine a un avantage structurel ici — volume de patients, concentration des laboratoires de biologie, autorisation réglementaire plus rapide pour les dispositifs logiciels.

En France, le même raisonnement se heurterait à d'autres murs : la numérisation des lames reste partielle dans les services d'anatomopathologie, et un outil de ce type devrait passer par l'évaluation de la Haute Autorité de santé avant tout remboursement. Le signal reste intéressant à suivre, parce qu'il inverse la logique habituelle de l'IA médicale : au lieu d'ajouter un examen, il en retire un.