L’intelligence artificielle occupe une place croissante dans l’évaluation des mammographies de dépistage. Son intérêt repose sur deux objectifs complémentaires : améliorer la détection des cancers et mieux répartir les lectures humaines. La question clinique est désormais celle du bénéfice apporté par une organisation associant radiologues et algorithme, au-delà de la performance du logiciel sur une base d’images.
Les études rétrospectives ont ouvert la voie, mais leur capacité à prédire les résultats d’un programme de dépistage reste limitée. Les études prospectives permettent d’évaluer les interactions entre l’IA et le lecteur, les rappels et les diagnostics obtenus en pratique. Les essais randomisés apportent un niveau de preuve supplémentaire en comparant des groupes constitués indépendamment du choix des utilisateurs.
Cet article propose une synthèse narrative ciblée de ScreenTrustCAD, MASAI, PRAIM et AI-STREAM, illustrée par un cas clinique. Il distingue les résultats diagnostiques, les effets sur les lectures et les données de suivi. Il ne constitue pas une revue systématique exhaustive de la littérature.
Les études
ScreenTrustCAD 2023
ScreenTrustCAD est une étude prospective suédoise portant sur 55 581 femmes. Les stratégies sont comparées sur les mêmes examens, selon un schéma de lectures appariées. L’association d’un radiologue et de l’IA détecte 261 cancers, contre 250 avec deux radiologues, et satisfait le critère de non-infériorité [1].
Son intérêt est de tester une fonction précise : l’IA comme lecteur associé à un radiologue dans une organisation de double lecture. Le caractère monocentrique et l’emploi d’un logiciel déterminé limitent la généralisation. La non-infériorité dans ce contexte ne suffit pas à valider une lecture autonome pour toutes les populations.
MASAI 2023
MASAI évalue une stratégie de triage dans un essai randomisé suédois. Le score IA oriente les examens vers une ou deux lectures humaines ; le système fournit également une aide à la détection. Les mammographies à faible score restent donc lues par un radiologue.
L’analyse intermédiaire de 2023, portant sur 80 033 femmes, retrouve 6,1 cancers détectés pour 1 000 femmes dans le groupe avec IA, contre 5,1 dans le groupe de double lecture conventionnelle. Le nombre de lectures diminue de 44,3 %. Les rappels sont de 2,2 % contre 2,0 %, et les faux positifs de 1,5 % dans les deux groupes [2].
Synthèse visuelle des études
Le tableau ci-dessous résume les principaux résultats. Les différentes publications MASAI correspondent aux étapes d’un même essai, et non à des essais indépendants.
| Étude | Méthode | Résultat et portée |
|---|---|---|
| ScreenTrustCAD 2023 [1] | Prospective, lectures appariées 55 581 femmes |
261 cancers avec 1 radiologue + IA contre 250 avec 2 radiologues. Non-infériorité démontrée ; remplacement encadré d’un lecteur. |
| MASAI 2023 [2] | Essai randomisé Analyse intermédiaire 80 033 femmes |
6,1 contre 5,1 cancers / 1 000 ; −44,3 % de lectures. Triage vers une ou deux lectures humaines selon le score IA. |
| MASAI 2026 [3] | Même essai randomisé Suivi à deux ans ≈ 106 000 femmes |
1,55 contre 1,76 cancer d’intervalle / 1 000. Non-infériorité démontrée ; baisse numérique de 12 %, sans supériorité statistique. |
| PRAIM 2025 [4] | Prospective observationnelle 463 094 femmes Allemagne |
6,7 contre 5,7 cancers / 1 000. Bénéfice associé à l’IA en vie réelle ; utilisation volontaire, avec risque de biais de sélection. |
| AI-STREAM 2025 [5] | Cohorte prospective 24 543 femmes Corée du Sud |
5,70 contre 5,01 cancers / 1 000 chez les radiologues spécialisés. Assistance en lecture unique, sans hausse significative des rappels. |
Les populations, les logiciels et les stratégies de lecture diffèrent : ces données ne permettent pas de classer directement les systèmes d’IA.
Détection et charge de lecture dans MASAI 2023

Figure 1. Analyse intermédiaire MASAI 2023 [2]. La différence de détection est une estimation d’environ +20 %. La baisse de 44,3 % concerne le nombre de lectures de dépistage, pas l’ensemble du temps de travail radiologique.
Études et résultats de suivi
MASAI 2025 et 2026
La publication de 2025 concerne la performance au dépistage dans la population complète de l’essai, soit environ 106 000 femmes. Le taux de détection atteint 6,4 contre 5,0 cancers pour 1 000, avec une augmentation relative rapportée de 29 % [6]. Cette analyse confirme le gain diagnostique observé dans l’analyse intermédiaire ; elle doit être distinguée du suivi des cancers d’intervalle publié en 2026.
Un cancer d’intervalle est diagnostiqué après un dépistage négatif et avant le dépistage suivant. Cet indicateur complète la détection initiale : il renseigne sur les cancers qui échappent au programme ou deviennent cliniquement apparents entre deux examens.
Dans MASAI 2026, les taux sont de 1,55 contre 1,76 pour 1 000, soit une baisse numérique de 12 %. Le rapport est de 0,88, avec un intervalle de confiance à 95 % de 0,65 à 1,18. La non-infériorité est démontrée dans la marge prévue par le protocole, mais l’intervalle de confiance reste compatible avec l’absence de différence : la supériorité statistique n’est pas établie [3].
La sensibilité est de 80,5 % contre 73,8 %, avec une spécificité de 98,5 % dans les deux groupes. Des cancers d’intervalle présentant certains caractères défavorables sont numériquement moins nombreux sous IA. Ces observations descriptives sont encourageantes, mais ne constituent pas une preuve définitive de réduction des cancers agressifs [3].
PRAIM 2025
PRAIM étudie l’intégration de l’IA dans le programme allemand de dépistage. Cette étude prospective observationnelle inclut 463 094 femmes, 119 radiologues et 12 sites ; 260 739 femmes bénéficient d’une lecture avec IA. Le taux de détection est de 6,7 contre 5,7 pour 1 000, sans dégradation du taux de rappel [4].
Sa force réside dans l’évaluation à grande échelle en conditions réelles. L’usage de l’IA était toutefois volontaire. Des différences entre utilisateurs et non-utilisateurs peuvent contribuer aux résultats : l’association observée ne bénéficie pas du même contrôle des biais qu’une comparaison randomisée.
AI-STREAM 2025
AI-STREAM évalue une assistance en lecture unique dans une cohorte prospective sud-coréenne de 24 543 femmes. Chez les radiologues spécialisés, la détection passe de 5,01 à 5,70 pour 1 000, sans variation significative des rappels [5].
Une analyse exploratoire par simulation retrouve également un gain chez les radiologues généralistes, accompagné d’une hausse des rappels. Elle doit être distinguée du résultat prospectif principal. L’étude soutient l’aide à la lecture ; elle ne démontre pas que toutes les différences entre experts et non-experts sont supprimées.
Discussion
Des bénéfices dépendants de la stratégie retenue
Ces études apportent des réponses complémentaires :
– ScreenTrustCAD évalue l’association d’un lecteur humain et de l’IA ;
– MASAI teste un triage avec adaptation du nombre de lecteurs ;
– PRAIM observe un déploiement à grande échelle ;
– AI-STREAM étudie l’assistance dans un système de lecture unique.
Leurs résultats plaident pour une évaluation de la stratégie complète, incluant les seuils, les lecteurs et le circuit de décision.
La réduction du nombre de lectures peut libérer des ressources pour les examens complexes. Elle ne se traduit cependant pas automatiquement par une diminution équivalente du temps total de travail : arbitrages, examens complémentaires, biopsies et échanges avec les patientes demeurent nécessaires. Il faut mesurer ces effets dans chaque organisation.
Détection supplémentaire et bénéfice clinique
Un cancer détecté en plus peut correspondre à un diagnostic utilement avancé. Mais une hausse de détection ne permet pas, à elle seule, de distinguer ce bénéfice du surdiagnostic, c’est-à-dire la découverte d’un cancer qui n’aurait pas causé de symptômes au cours de la vie. Le suivi des cancers d’intervalle, des stades avancés et des traitements est donc essentiel pour apprécier la portée clinique des gains diagnostiques.
La non-infériorité de MASAI sur les cancers d’intervalle constitue un résultat important pour la sécurité de la stratégie évaluée. Elle doit être interprétée à la lumière de la marge prédéfinie et de l’incertitude statistique. Elle ne signifie ni identité parfaite des deux stratégies ni réduction démontrée de 12 %.
Limites et conditions de mise en œuvre
Les résultats d’un logiciel, dans une population et un programme donnés, ne sont pas transférables automatiquement à d’autres appareils, densités mammaires, profils de risque ou circuits de lecture. Une validation locale et un suivi des performances sont nécessaires. L’attention doit porter sur les rappels, les faux positifs, les cancers manqués et les discordances entre l’algorithme et le lecteur.
La surconfiance dans l’IA peut influencer la décision humaine. Le radiologue doit pouvoir réexaminer une anomalie malgré un score rassurant, et contextualiser un score élevé. Les futures études devront préciser les effets à long terme, le surdiagnostic, les coûts et l’impact sur les inégalités de dépistage. Les études présentées ne démontrent pas une réduction de la mortalité attribuable à l’IA.
Cas clinique : l’IA en appui du radiologue
Ce cas illustre la complémentarité entre le radiologue et le logiciel d’IA lors de la lecture d’une mammographie, puis la place de l’échographie ciblée pour confirmer une anomalie.

Figure 2. Mammographie : l’attention du lecteur est attirée vers une opacité droite et des calcifications gauches.

Figure 3. Le logiciel d’IA détecte une masse dans le sein droit, classée très suspecte (degré 9, rouge), et des calcifications du sein gauche classées « incertain » (degré 5, jaune).

Figure 4. L’échographie ciblée retrouve une masse hypoéchogène suspecte ACR 5, qui sera biopsiée : carcinome infiltrant non spécifique, grade 2.
À noter : les calcifications gauches, d’aspect bénin et validées comme telles par l’IA, bénéficieront d’un suivi ponctuel rapproché (BI-RADS 3).
Conclusion
L’IA peut augmenter la détection des cancers et réduire fortement le nombre de lectures dans des organisations définies. Les données de MASAI renforcent la confiance dans une stratégie de triage supervisée, tout en laissant ouverte la question d’une réduction certaine des cancers d’intervalle.
L’IA reste imparfaite et le radiologue conserve l’interprétation clinique et la décision finale. Des études prospectives indépendantes, multicentriques et avec un suivi prolongé restent indispensables.
Références
[1] Dembrower et al. Lancet Digital Health. 2023 — doi.org/10.1016/S2589-7500(23)00153-X
[2] Lång et al. Lancet Oncology. 2023 — doi.org/10.1016/S1470-2045(23)00298-X
[3] Gommers et al. Lancet. 2026 — doi.org/10.1016/S0140-6736(25)02464-X
[4] Eisemann et al. Nature Medicine. 2025 — doi.org/10.1038/s41591-024-03408-6
[5] Chang et al. Nature Communications. 2025 — doi.org/10.1038/s41467-025-57469-3
[6] Hernström et al. Lancet Digital Health. 2025 — doi.org/10.1016/S2589-7500(24)00267-X
Article rédigé et proposé par le Dr Mickael Suissa, radiologue à l’IRP.

