Dans le projet ALCOVE, tout commence par un geste simple : respirer.
Pourtant, derrière cette simplicité apparente se cache un défi scientifique majeur : transformer des signaux invisibles en une information utile pour le dépistage du cancer du poumon.
Si le nez électronique est capable de capter des variations très fines dans l’air exhalé, ces signaux, pris isolément, ne disent rien. Il faut encore leur donner du sens. C’est précisément le rôle des algorithmes développés par l’Université de Lille.
Des données d’abord sécurisées et structurées
Avant même d’être analysées, les données issues du dispositif passent par une étape clé.
Elles sont collectées, sécurisées et organisées par les équipes de la KU Leuven.
Ce travail garantit la protection des données de santé, mais aussi leur qualité et leur exploitabilité. Il intègre également des enjeux d’ergonomie, afin que les outils soient utilisables dans la pratique. Ce n’est qu’une fois ces données préparées que les algorithmes peuvent entrer en jeu.
Lire ce que disent les capteurs
Le nez électronique fonctionne comme un ensemble de capteurs réagissant aux composés présents dans l’air expiré. Le résultat s’apparente à un tableau de bord complexe, où de nombreux signaux s’activent simultanément.
L’enjeu ne réside pas dans l’analyse d’un signal isolé, mais dans l’identification de combinaisons caractéristiques. Ces combinaisons, appelées profils ou signatures, permettent de distinguer des sujets atteints de sujets non atteints.
L’objectif des algorithmes est donc de repérer des schémas récurrents et de leur donner une signification.
Apprendre à partir de données réelles
Pour identifier ces signatures, les modèles doivent être entraînés à partir de données issues de l’étude clinique.
Une particularité du projet ALCOVE réside dans l’utilisation simultanée de deux types de données : d’un côté les signaux du nez électronique, et de l’autre les molécules présentes dans l’air exhalé, identifiées grâce à des analyses de référence.
Cette double lecture permet d’observer un même phénomène sous deux angles différents. Elle offre une compréhension plus fine de ce que mesure réellement le dispositif, et permet d’évaluer à la fois ses performances et ses limites.
Boîte noire vs boîte blanche : rendre l’IA compréhensible
Tous les modèles d’intelligence artificielle ne se valent pas en termes de compréhension.
Certains, dits “boîte noire”, offrent de très bonnes performances mais sans expliquer comment ils produisent leurs résultats. Une analogie simple permet de s’en rendre compte : un chien dressé à détecter une maladie peut être efficace… mais il est impossible de savoir précisément ce qui motive sa décision.
À l’inverse, les modèles dits “boîte blanche” permettent de retracer le raisonnement. Ils rendent visibles les éléments qui conduisent à une décision, en identifiant par exemple quels capteurs ou quelles combinaisons sont déterminants.
Dans ALCOVE, ce choix d’interprétabilité est central.
Une exigence européenne : expliquer les décisions
Ce choix s’inscrit pleinement dans les attentes européennes, notamment dans le cadre du règlement sur l’intelligence artificielle (AI Act), qui encourage le développement de systèmes transparents et explicables.
Dans le domaine de la santé, cette exigence est encore plus forte. Comprendre les résultats permet non seulement de renforcer la confiance des professionnels, mais aussi d’enrichir la recherche en identifiant des mécanismes biologiques sous-jacents.
L’algorithme ne se contente donc pas de produire une réponse : il contribue à la compréhension scientifique.
AutoML : optimiser automatiquement les modèles
Pour développer ces modèles, les équipes s’appuient également sur des techniques d’auto machine learning (AutoML).
Celles-ci permettent à la machine de tester automatiquement différentes configurations, d’ajuster ses paramètres et de préparer les données de manière optimale.
Ce gain d’efficacité permet aux chercheurs de se concentrer sur l’essentiel : l’analyse des résultats, leur interprétation et les échanges avec les autres partenaires du projet.
Une intelligence collective au service de l’analyse
Dans le cadre du projet ALCOVE, les algorithmes ne travaillent jamais seuls. Leur développement repose sur des échanges constants entre data scientists, cliniciens et spécialistes des capteurs.
Chaque résultat est discuté, confronté et ajusté. Cette approche collaborative est essentielle pour garantir la pertinence des profils identifiés et éviter les erreurs d’interprétation.
Donner du sens pour mieux détecter
L’objectif final est d’identifier des signatures fiables associées au cancer du poumon et de comprendre comment elles se traduisent dans les données.
Les algorithmes jouent ainsi un rôle de passerelle entre technologie et médecine : ils permettent de transformer un signal complexe en une information interprétable.
Au-delà de la performance technique, c’est bien cette capacité à expliquer, comprendre et partager qui constitue l’une des forces du projet ALCOVE et une condition essentielle pour faire émerger des innovations utiles en santé.
Dans le cadre du projet Interreg ALCOVE, l’intelligence artificielle ne se limite pas à prédire : elle permet de comprendre ce que révèle le souffle, et d’en faire un levier pour la recherche et le dépistage.
