Du dépistage au plan de traitement : des start-up NVIDIA Inception comblent les lacunes critiques de la prise en charge du cancer du sein

Le 5 octobre 2026, NVIDIA a publié sur son blog un article qui présente trois entreprises de son programme pour start-up NVIDIA Inception. Elles appliquent l'IA à différentes étapes de la prise en charge du cancer du sein : l'imagerie, l'évaluation du risque et la décision thérapeutique. Le point de départ est une série de lacunes simples. Le cancer du sein est le cancer le plus souvent diagnostiqué chez les Américaines, mais une majorité de femmes de plus de 40 ans ne font pas le dépistage annuel recommandé. Les radiologues lisent davantage de mammographies avec moins de collègues. Après le diagnostic, les tests qui guident le traitement peuvent prendre des semaines. L'échelle compte. Environ 40 millions de mammographies sont réalisées chaque année aux États-Unis, et l'article cite un déficit projeté de dizaines de milliers de radiologues au cours de la prochaine décennie. La demande est stable alors que l'offre de lecteurs se réduit : la capacité de lecture devient le goulot d'étranglement. À l'autre bout du parcours, les décisions thérapeutiques dépendent souvent de tests génomiques envoyés à des laboratoires externes. Ces analyses prennent des semaines, au moment où la rapidité et la certitude comptent le plus. Les trois entreprises interviennent au début, au milieu et à la fin de cette chaîne, et toutes s'appuient sur l'infrastructure d'IA de NVIDIA.

La première, iSono Health, s'attaque à l'acquisition de l'image elle-même. Sa plateforme ATUSA, autorisée par la FDA, est un système d'échographie 3D quantitative, portable et automatisé. Elle capture un volume mammaire standardisé en environ deux minutes par sein, contre jusqu'à 45 minutes pour une échographie manuelle classique. L'IA a été entraînée sur des milliers d'examens complets du sein, soit plus de 1,5 million d'images échographiques, et elle automatise l'acquisition. Elle utilise l'accélération par GPU NVIDIA et des technologies d'imagerie médicale open source. Selon l'entreprise, l'examen 3D obtenu est 28 % plus sensible qu'une échographie 2D manuelle. Ce chiffre est une déclaration de l'entreprise, et l'article ne décrit pas l'étude qui le soutient. Il faut le lire comme une affirmation de fournisseur qui demande une confirmation indépendante. Le point technique le plus intéressant est la répétabilité. L'échographie manuelle dépend de la personne qui tient la sonde, de sorte que les examens d'une même patiente ne sont généralement pas comparables d'une année sur l'autre. ATUSA capture le sein entier de la même façon à chaque fois. Cela donne une vue répétable du tissu, qui pourrait aider les cliniciens à analyser son évolution d'un examen à l'autre, tout en réduisant les erreurs et la variabilité liées à l'opérateur. Le dispositif est disponible dans des cliniques partenaires en Californie, au Texas, en Géorgie, dans le Tennessee et à Washington D.C., et de nouveaux sites ouvrent régulièrement. Le PDG Neda Razavi explique que rapprocher l'examen de la patiente est la première avancée, et que l'objectif est de le rendre de plus en plus informatif. iSono a développé des fonctions d'IA pour la détection de lésions, la segmentation 3D et la classification des lésions. L'entreprise prévoit d'étendre son pipeline vers une intelligence diagnostique multimodale couvrant l'échographie 3D, la mammographie, l'IRM et les données cliniques. Une étude clinique multicentrique de 3 200 patientes est en cours, avec pour sites principaux l'UC Davis et le Vanderbilt University Medical Center. En IA médicale, des données prospectives multicentriques en disent plus sur la performance en conditions réelles qu'un résultat rétrospectif sur un seul site. La deuxième entreprise, Whiterabbit.ai, se concentre sur le dépistage. Son logiciel WRDensity, autorisé par la FDA, évalue automatiquement la densité mammaire à partir des mammographies et a servi à la prise en charge de centaines de milliers de patientes. Elle a aussi développé WRRisk, un outil d'aide à la décision clinique qui estime le risque à long terme de cancer du sein, et elle étudie une nouvelle génération d'IA pour la mammographie. Celle-ci pourrait aider les radiologues à détecter plus de cancers tout en automatisant le tri des mammographies négatives. Les objectifs affichés sont d'alléger la charge d'un effectif sous tension, d'accélérer les résultats, de réduire les rappels évitables et de baisser les coûts en aval. Jason Su, cofondateur et directeur technique, décrit un problème d'aiguille dans une botte de foin : environ un cancer pour 200 mammographies. Il espère que l'IA sera un coéquipier qui écarte le foin pour que les experts se concentrent sur l'essentiel.

L'organisation du calcul chez Whiterabbit mérite d'être notée. L'entraînement se fait sur un cluster de GPU NVIDIA hébergé à la Washington University de Saint-Louis, complété par des GPU dans le cloud. L'inférence tourne sur des GPU NVIDIA déployés directement en clinique. Un entraînement centralisé avec une inférence au plus près du soin convient à des données d'imagerie volumineuses et sensibles, et il garde la latence dans ce que le flux clinique accepte. C'est un arbitrage courant dans le déploiement de l'IA médicale. La troisième, Ataraxis AI, travaille côté traitement. Une fois le diagnostic posé, la question est de savoir que faire, et la réponse dépend de la prédiction de la réponse du cancer. L'article indique que ces prédictions sont aujourd'hui limitées en portée et en précision, et qu'elles exigent souvent une biopsie distincte avec une attente de deux à quatre semaines. Ataraxis construit une intelligence clinique qui prédit l'évolution et la réponse aux traitements à partir de données numériques, notamment les lames d'anatomopathologie déjà prévues dans le bilan standard. Ses modèles interprètent les motifs des lames et apprennent à relier leurs variations au risque de récidive et à la chimiosensibilité. Joseph Cappadona, membre de l'équipe technique, affirme que les outils des oncologues ont été entraînés une fois il y a quinze ans puis jamais mis à jour, alors que les modèles d'Ataraxis s'améliorent à chaque nouvel apport de données d'essais cliniques.

Concrètement, les modèles analysent des lames numériques et des variables cliniques standard. Un modèle prédit si une chimiothérapie préopératoire réduira la tumeur jusqu'à une réponse avant l'intervention. Après la chirurgie, un autre estime le risque de récidive à cinq ans et le bénéfice probable d'une chimiothérapie. L'article précise que les deux modèles ont été validés dans plus de 10 institutions et plusieurs essais cliniques, et qu'ils sont utilisés en clinique. Ils tournent sur des GPU NVIDIA sur site, dans un centre de données externe et dans le cloud, avec PyTorch accéléré par GPU NVIDIA. Pour les développeurs et les systèmes de santé, l'intérêt de l'article tient moins à un chiffre qu'à une répartition claire des rôles. Le matériel automatisé abaisse la barrière à l'acquisition. Le logiciel réduit la charge de lecture et les rappels inutiles au milieu. Les données d'anatomopathologie existantes remplacent un test supplémentaire à la fin. Aucune des trois ne demande à la patiente une étape de plus. Une réserve s'impose : il s'agit du blog de NVIDIA présentant ses propres membres Inception, donc d'un texte à vocation promotionnelle, et la plupart des chiffres sont des déclarations d'entreprise. L'article ne montre pas de preuve indépendante évaluée par les pairs.

Les défis sont concrets. L'intégration multimodale demande une gouvernance des données entre appareils et établissements. Chaque nouvelle fonction d'IA peut exiger une nouvelle autorisation réglementaire. Le bénéfice réel de moins de rappels et de moins de cancers manqués doit être démontré par des études prospectives et un long suivi. Pour l'industrie, Inception lie les GPU et les logiciels de NVIDIA à des start-up verticales, et l'imagerie médicale comme l'anatomopathologie numérique comptent parmi les terrains où ce modèle s'implante le plus facilement. Deux points méritent l'attention : les résultats de l'étude de 3 200 patientes d'iSono, et la capacité de modèles comme celui d'Ataraxis à reproduire leurs performances sur davantage de types de cancer.