Une photo du visage peut-elle aider à évaluer le pronostic d’un cancer ? Publiée le 19 octobre 2026 dans The Lancet Digital Health, une étude de Mass General Brigham montre qu’une IA distingue des groupes de patients dont la mortalité diffère nettement. Elle repère une association statistique, pas une durée de vie individuelle. Son intérêt potentiel se situe avant un traitement lourd : mieux apprécier la fragilité, plutôt que lire un destin sur un visage. [1][2]
Pour comprendre ce résultat, il faut regarder les patients étudiés autant que les performances annoncées. Nous avons aussi recensé les études IA-cancer ouvertes ou à venir en France : la photo du visage y reste absente de notre sélection.
Deux outils pour l’âge facial et le risque de décès
FAHR-Face est un modèle entraîné sur plus de 40 millions de photographies de visages. Ce premier apprentissage lui donne une représentation générale du visage. Les chercheurs l’ont ensuite adapté à deux tâches différentes : [1]
- FAHR-FaceAge estime un âge facial, utilisé comme indicateur du vieillissement biologique, puis mesure son écart avec l’âge réel.
- FAHR-FaceSurvival apprend directement à classer le risque de décès à partir de photographies et de données de survie de patients. Son entraînement spécifique porte sur 34 363 photos, selon le résumé publié.
Les deux outils ne regardent pas exactement les mêmes régions. Le premier s’appuie notamment sur les plis entre le nez et la bouche, le front et les tempes. Le second accorde davantage de poids au dessous des yeux et à l’arête du nez. Leurs informations sont complémentaires, et leur combinaison améliore le modèle pronostique. Ces cartes indiquent où l’algorithme porte son attention, sans expliquer à elles seules les mécanismes biologiques en jeu. [1][2]
En ce moment
Des patients de radiothérapie à Boston, puis aux Pays-Bas
La version prépubliée en 2025 précise l’origine des données cliniques : des patients traités par radiothérapie dans le réseau Harvard à Boston. Le test interne de l’outil de survie comprend 3 822 patients, avec un âge médian de 64,1 ans. Parmi eux, 87,6 % sont classés comme blancs et 27,3 % ont un cancer métastatique. [3]
La validation externe porte sur 4 892 patients de la clinique de radiothérapie Maastro, à Maastricht, aux Pays-Bas, avec un âge médian de 66 ans. Tester le modèle dans un autre centre permet de vérifier qu’il retrouve un signal au-delà de ses données d’apprentissage. [3]
Pour un patient français, cette étape européenne compte, mais une validation aux Pays-Bas n’est pas une validation en France. Le recrutement en radiothérapie sélectionne aussi une population particulière. La question utile est de savoir si le score conserve sa valeur auprès d’autres patients et dans d’autres parcours de soins, pas seulement si une photographie suffit à le calculer.
Un risque multiplié par 3,23 : entre quels patients ?
Le résultat publié compare le quart des patients classés les plus à risque au quart classé les moins à risque. Entre ces deux quartiles, le rapport de risques ajusté atteint 3,23. « Ajusté » signifie que l’analyse tient compte de facteurs cliniques pronostiques. [1]
Il s’agit du risque instantané de décès pendant le suivi : à un instant donné, parmi les patients encore en vie, le modèle estime un risque 3,23 fois plus élevé dans le groupe le plus à risque. Ce rapport ne donne ni une proportion de décès à une date fixée, ni une espérance de vie divisée par trois.
Autre mesure, autre comparaison : dans la version prépubliée en 2025, paraître au moins 5 ans plus âgé que son âge réel est associé à un risque instantané de décès 21 % plus élevé que présenter un écart inférieur à 5 ans, après ajustement. Ce chiffre concerne l’âge facial, pas le classement de FAHR-FaceSurvival. Il exprime une hausse relative, et non 21 points supplémentaires de probabilité de décès. [3]
Un indice C de 0,72 mesure un classement, pas une certitude
La version prépubliée en 2025 donne un indice de concordance, ou indice C, de 0,72 pour FAHR-FaceSurvival. En comparant deux patients dont on peut établir lequel décède avant l’autre, le score classe correctement le plus à risque dans environ 72 % des cas. Un classement au hasard correspondrait à 50 %. [3]
Ce résultat ne signifie donc pas que 72 % des patients reçoivent une prédiction exacte de leur durée de vie. Il mesure la capacité à ordonner les risques. Dans cette même prépublication, l’indice varie de 0,53 à 0,88 selon les sous-groupes : la moyenne globale masque des performances inégales. C’est un point décisif pour savoir à quels patients l’outil pourrait réellement servir. [3]
La fragilité avant le traitement, plutôt qu’un verdict automatisé
Raymond Mak, oncologue radiothérapeute et coauteur, présente l’objectif comme une meilleure estimation de la réserve physique et de la fragilité avant une radiothérapie, une chirurgie ou un traitement systémique. Le score serait un appui au jugement médical. [2]
Nous voyons là l’enjeu le plus concret : un score doit ouvrir une évaluation, pas fermer une possibilité de traitement. Qui consulte le résultat ? Comment l’explique-t-on au patient ? Quelle décision change-t-il ? Ces questions comptent autant que la performance statistique. Les auteurs prévoient des essais prospectifs pour établir un bénéfice clinique et soulignent les besoins de protection des photos identifiantes et de prévention des biais. [3]
En France, notre recherche renvoie 44 études, aucune sur le visage
Le 21 octobre 2026, nous avons mené une recherche par mots-clés dans ClinicalTrials.gov : « cancer », avec « artificial intelligence », « deep learning » ou « machine learning », une localisation en France et un recrutement en cours ou à venir. Elle renvoie 44 études distinctes. [4]
| Statut déclaré | Nombre d’études |
|---|---|
| Recrutement en cours | 31 |
| Recrutement pas encore commencé | 13 |
Nous dénombrons 24 études observationnelles et 20 interventionnelles. La lecture de leurs titres ne repère aucune étude portant sur l’analyse d’une photo du visage. Ce recensement par mots-clés peut inclure des résultats périphériques et manquer des travaux décrits autrement : il ne constitue pas un inventaire exhaustif de la recherche française.
Les titres concernent notamment l’imagerie, le dépistage et la prédiction de complications. Une étude de l’AP-HP compare aussi les recommandations de traitement de grands modèles de langage à celles des réunions de concertation pluridisciplinaire. Elle illustre une autre manière d’évaluer l’IA : confronter ses propositions à une décision collective de soignants. [5]
Choisir un traitement est une autre question que prédire la survie
Dans le chapô de sa chronique du 18 octobre dans L’Express, le Pr Alain Fischer évoque des études récentes suggérant que les grands modèles de langage pourraient prédire la survenue de cancers et optimiser leur traitement. [6] Ces objectifs se distinguent du pronostic étudié avec FAHR-Face : détecter, classer un risque et choisir une thérapie demandent des preuves différentes.
À l’Institut Curie et au CNRS, les « tumeurs sur puce » abordent directement la réponse aux médicaments. Dans un entretien au Télégramme, la chercheuse Stéphanie Descroix décrit des dispositifs miniatures en trois dimensions utilisant des cellules de patientes atteintes de cancers du sein métastatiques. Jusqu’à cinq traitements ont été testés sur des échantillons de patientes. [7]
Un essai clinique est prévu au deuxième semestre 2027, pour deux ou trois ans. Il doit vérifier si la réponse des tumeurs sur puce correspond réellement à celle de l’organisme des patientes. Ce passage du laboratoire au suivi clinique est précisément ce qui permettra de déterminer si le dispositif peut aider à choisir un traitement, au-delà de sa capacité à produire rapidement un résultat expérimental. [7]
Sources et références
[1] Haugg F. et coll., The Lancet Digital Health — Foundation artificial intelligence models for health recognition by use of face photographs (FAHR-Face): a model development and validation study (résumé publié), 19 octobre 2026
https://doi.org/10.1016/j.landig.2026.101056
[2] Mass General Brigham, EurekAlert! — AI facial health recognition tools help physicians assess age and survival risk to guide personalized treatment, 19 octobre 2026
https://www.eurekalert.org/news-releases/1147743
[3] Haugg F. et coll., arXiv — Foundation Artificial Intelligence Models for Health Recognition Using Face Photographs (FAHR-Face), version prépubliée en 2025, 19 juin 2025
https://arxiv.org/abs/2506.14909
[4] ClinicalTrials.gov — Recherche par mots-clés cancer et IA, France, recrutement en cours ou à venir ; calculs et recensement de notre rédaction, 21 octobre 2026
https://clinicaltrials.gov/
[5] Assistance publique–Hôpitaux de Paris, ClinicalTrials.gov — Benchmarking Large Language Models Against Tumour Boards for Oncology Treatment Recommendations (NCT07739121), recensement du 21 octobre 2026
https://clinicaltrials.gov/study/NCT07739121
[6] Pr Alain Fischer, L’Express — Contre le cancer, l’intelligence artificielle pourrait changer la donne, par le Pr Alain Fischer (chapô), 18 octobre 2026
https://www.lexpress.fr/sciences-sante/contre-le-cancer-lintelligence-artificielle-pourrait-changer-la-donne-par-le-pr-alain-fischer-PWBBF4WS2RCU3NIOIKJZX5ERNQ/
[7] Florence Créach, Le Télégramme, entretien avec Stéphanie Descroix — Cancers du sein métastatiques : trouver le bon traitement, au plus vite, c’est l’objectif d’un nouvel essai clinique de l’Institut Curie et du CNRS, 19 octobre 2026
https://www.letelegramme.fr/sante/cancers-du-sein-metastatiques-trouver-le-bon-traitement-au-plus-vite-cest-lobjectif-dun-nouvel-essai-clinique-de-linstitut-curie-et-du-cnrs-7127973.php
