En bref
- En France, 47,5 % des femmes de 50 à 74 ans ont participé au programme organisé de dépistage du cancer du sein en 2025. La participation baisse globalement depuis le milieu des années 2010.
- L’essai randomisé suédois MASAI, mené sur près de 106 000 femmes, montre qu’un circuit de lecture assisté par IA obtient une sensibilité de 80,5 % contre 73,8 % avec la double lecture classique, avec une spécificité identique de 98,5 %.
- Le taux de cancers diagnostiqués entre deux dépistages était non inférieur avec l’IA : 1,55 contre 1,76 pour 1 000 femmes.
- Le même circuit réduisait d’environ 44 % la charge totale de lecture des radiologues.
- Deux études françaises rétrospectives suggèrent qu’un tri par IA pourrait éviter environ 61 à 77 % des secondes lectures. Dans les deux cas, certains cancers auraient toutefois échappé au filtre.
- Ces résultats soutiennent l’intérêt de l’IA en appui du radiologue. Ils ne démontrent pas encore qu’une seconde lecture humaine peut être supprimée en toute sécurité dans le programme français.
En France, une mammographie de dépistage jugée normale bénéficie d’un deuxième regard.
Un autre radiologue relit les clichés, indépendamment du premier.
Environ 6 % des cancers détectés dans le programme organisé le sont grâce à cette seconde lecture.
Cette sécurité mobilise beaucoup de temps médical alors que la grande majorité des mammographies sont normales.
À l’occasion d’Octobre Rose, plusieurs publications récentes permettent de poser la question plus concrètement :
l’intelligence artificielle peut-elle alléger cette double lecture sans laisser passer davantage de cancers ?
Comment fonctionne le dépistage organisé en France ?
Le programme national s’adresse aux femmes de 50 à 74 ans sans facteur de risque particulier, invitées à réaliser une mammographie tous les deux ans.
Le parcours comporte actuellement deux niveaux de lecture.
Première lecture
Le radiologue interprète les clichés au moment de l’examen.
Si une anomalie apparaît, des examens complémentaires peuvent être réalisés immédiatement.
Seconde lecture
Si la mammographie est considérée comme normale ou bénigne, elle est transmise à un second radiologue expérimenté.
Cette étape permet de rattraper des anomalies passées inaperçues lors de la première lecture.
Environ 6 % des cancers détectés dans le cadre du programme le sont lors de cette seconde lecture.
L’enjeu est donc clair : réduire le nombre de dossiers relus pourrait libérer du temps médical, mais un filtre trop agressif pourrait aussi écarter précisément certains cancers que cette seconde lecture permet aujourd’hui de retrouver.
Comment une IA analyse-t-elle une mammographie ?
Les logiciels étudiés ici ont été entraînés sur de grands ensembles de mammographies.
Face à un nouvel examen, ils attribuent un score de risque ou de suspicion.
Plus le score est élevé, plus l’image ressemble aux mammographies associées à un cancer dans les données utilisées pour développer le système.
Il faut ensuite décider quoi faire de ce score.
Un seuil bas permet de signaler beaucoup de cancers, mais classe aussi davantage de mammographies normales comme suspectes.
Un seuil élevé réduit les alertes, mais augmente le risque de laisser passer certains cancers.
Quatre notions utiles
- Sensibilité : parmi les femmes qui ont un cancer, proportion correctement repérée par le dépistage.
- Spécificité : parmi les femmes sans cancer, proportion correctement classée comme négative.
- Faux positif : mammographie considérée comme suspecte alors qu’aucun cancer n’est présent.
- Cancer d’intervalle : cancer diagnostiqué après une mammographie de dépistage négative et avant le dépistage suivant. Certains étaient déjà présents mais non repérés. D’autres se développent pendant l’intervalle.
Le taux de cancers d’intervalle constitue donc un indicateur particulièrement important lorsqu’on cherche à diminuer le nombre de lectures humaines.
MASAI : près de 106 000 femmes réparties au hasard
L’essai suédois MASAI apporte le niveau de preuve le plus solide parmi les études présentées ici.
Entre 2021 et 2022, 105 934 femmes participant au dépistage ont été réparties au hasard entre deux stratégies.
Dans le groupe avec IA
Le logiciel Transpara attribuait un score de 1 à 10.
Les examens classés de 1 à 9 étaient lus par un radiologue.
Les examens classés 10 étaient lus par deux radiologues.
L’IA fournissait aussi une aide à la détection des anomalies.
Dans le groupe témoin
Toutes les mammographies bénéficiaient de la double lecture habituelle, sans IA.
L’objectif principal était particulièrement intéressant : comparer le nombre de cancers diagnostiqués entre deux dépistages.
L’essai était conçu pour tester une non-infériorité. Les chercheurs avaient défini à l’avance la différence maximale qu’ils accepteraient avant de considérer le circuit avec IA comme moins sûr.
LIRE AUSSI : Quand la douleur pelvienne devient chronique : sortir du modèle purement organique
Ce que montre MASAI
Après le suivi :
- cancers d’intervalle : 1,55 pour 1 000 femmes avec l’IA contre 1,76 pour 1 000 sans IA ;
- sensibilité : 80,5 % avec l’IA contre 73,8 % ;
- spécificité : 98,5 % dans les deux groupes.
Le critère de non-infériorité sur les cancers d’intervalle a été atteint.
Autrement dit, le circuit assisté par IA n’a pas dépassé la marge de perte de sécurité définie avant l’essai.
La sensibilité était par ailleurs statistiquement plus élevée.
Des analyses antérieures du même essai avaient aussi montré une détection de cancers plus importante au moment du dépistage, sans augmentation statistiquement démontrée des faux positifs.
Et le nombre total de lectures réalisées par les radiologues diminuait d’environ 44 %.
Une baisse de 12 % des cancers d’intervalle ?
Les chiffres bruts sont bien plus faibles dans le groupe IA : 1,55 contre 1,76 pour 1 000.
Cela correspond à une différence relative d’environ 12 %.
Mais MASAI était conçu pour démontrer une non-infériorité, pas la supériorité du circuit avec IA sur ce critère.
Les données ne permettent donc pas d’affirmer que l’IA réduit les cancers d’intervalle de 12 %.
La conclusion solide est plus limitée : le taux observé avec l’IA était compatible avec la marge de non-infériorité prévue par le protocole.
Peut-on transposer ce résultat à la France ?
Pas directement.
MASAI teste un circuit suédois particulier, avec un algorithme précis et une organisation différente du programme français.
La question posée en France est notamment celle-ci :
Peut-on conserver la première lecture humaine, puis utiliser l’IA pour décider quelles mammographies ont réellement besoin d’un second radiologue ?
Deux études publiées en 2026 ont simulé ce scénario à partir de mammographies françaises déjà réalisées.
Elles sont rétrospectives : l’IA n’a pas participé à la prise en charge réelle des femmes.
Première étude française : jusqu’où peut-on monter le seuil ?
Koïvogui et ses collaborateurs ont analysé les mammographies de 13 186 femmes de 50 à 74 ans dépistées en Île-de-France en 2018 et 2019.
Les clichés avaient d’abord suivi le parcours habituel.
Ils ont ensuite été réanalysés en 2023 avec Transpara, qui attribuait cette fois un score de 0 à 100.
Les chercheurs ont cherché, dans leur propre échantillon, le seuil offrant le meilleur compromis.
Ils ont retenu 36,2 sur 100.
Avec ce seuil :
- l’IA aurait signalé 18 cancers sur 22 ;
- environ 61 % des mammographies jugées bénignes en première lecture auraient pu ne pas être envoyées au second radiologue ;
- 4 cancers sur 22 auraient été classés sous le seuil ;
- 4 807 examens sans cancer auraient été classés comme suspects par l’IA.
Ce dernier chiffre demande une précision.
Dans le scénario testé, ces « faux positifs » n’auraient pas forcément entraîné de rappel supplémentaire pour la femme.
Ils auraient surtout conduit à maintenir la seconde lecture humaine, comme dans le parcours actuel.
Le risque le plus important se trouve donc de l’autre côté : les cancers classés à faible risque qui auraient échappé à cette seconde lecture.
Deuxième étude française : un seuil défini à l’avance
Tourasse et ses collaborateurs ont étudié 55 589 mammographies provenant de 42 419 femmes, réalisées entre 2015 et 2019.
Cette fois, le seuil de l’algorithme était prédéfini.
L’IA classait :
- 76,6 % des mammographies dans le groupe à faible risque ;
- 23,3 % dans le groupe nécessitant une vigilance plus importante.
Parmi les 12 cancers détectés grâce à la seconde lecture humaine, 11 appartenaient au groupe considéré comme plus à risque par l’IA.
Un cancer était classé dans le groupe à faible risque.
Dans ce scénario, environ 77 % des secondes lectures auraient donc pu être évitées, au prix d’un cancer détecté en seconde lecture qui n’aurait pas été envoyé au second radiologue.
Les auteurs demandent une validation prospective avant toute utilisation de cette stratégie en pratique.
Un bon algorithme ne suffit pas : il faut choisir sa place
Ces trois études ne répondent pas exactement à la même question.
MASAI teste prospectivement et par randomisation un parcours complet de dépistage assisté par IA.
Les études françaises prennent des examens déjà réalisés et demandent :
que se serait-il passé si l’IA avait servi de filtre avant la seconde lecture ?
C’est une différence importante.
La performance d’un algorithme ne suffit pas à définir son intérêt clinique.
Le seuil choisi et l’endroit où il intervient dans le parcours déterminent directement ce qu’il fait gagner et ce qu’il risque de faire perdre.
Un algorithme peut très bien réduire fortement la charge de travail tout en étant inutilisable si les rares examens qu’il écarte contiennent des cancers que la seconde lecture humaine aurait détectés.
Ce que ces études ne permettent pas de conclure
L’IA ne remplace pas le radiologue dans MASAI
Chaque mammographie était encore interprétée par au moins un radiologue.
L’essai évalue une lecture assistée et triée par IA, pas un dépistage autonome.
MASAI n’est pas une validation du parcours français
Le programme, la population, les radiologues et l’organisation diffèrent.
Le résultat concerne aussi un algorithme commercial précis.
Aucun effet sur la mortalité n’est démontré
MASAI évalue notamment les cancers détectés et les cancers d’intervalle.
Il ne montre pas que le circuit assisté par IA diminue la mortalité par cancer du sein.
Le surdiagnostic reste une question ouverte
Détecter davantage de cancers précoces peut permettre de traiter plus tôt des cancers qui auraient évolué.
Mais certains cancers supplémentaires pourraient aussi correspondre à des lésions qui n’auraient jamais eu de conséquence clinique.
Les données actuelles ne permettent pas d’en mesurer précisément la part.
Les études françaises restent des simulations
Aucune patiente n’a réellement vu sa seconde lecture supprimée en fonction du score d’IA dans ces deux études.
Le comportement du système dans un programme national prospectif reste donc à évaluer.
Les effectifs de cancers sont faibles
Dans l’étude de Koïvogui, l’analyse du seuil repose sur 22 cancers.
Dans celle de Tourasse, 12 cancers avaient été repérés lors de la seconde lecture.
Une seule erreur change donc fortement les résultats.
Le seuil de 36,2 n’est pas directement réutilisable
Il a été choisi à partir des données de la cohorte sur laquelle les performances sont ensuite présentées.
Il doit être validé dans une autre population avant de pouvoir être considéré comme un seuil généralisable.
Le suivi était également incomplet pour plus de 2 300 femmes dans cette cohorte.
Implications pratiques
- Pour le dépistage actuel en France : le programme reste inchangé. Les femmes de 50 à 74 ans sans facteur de risque particulier restent invitées à réaliser une mammographie tous les deux ans.
- Pour les équipes de dépistage : MASAI fournit des données solides en faveur de certains circuits assistés par IA, mais le fonctionnement français nécessite ses propres validations prospectives.
- Pour évaluer une solution d’IA : la sensibilité globale ne suffit pas. Il faut regarder quels cancers sont manqués au seuil réellement utilisé.
- Pour les décideurs : la baisse de la charge de lecture doit être mise en balance avec les cancers d’intervalle, les cancers détectés en seconde lecture et les conséquences organisationnelles.
- Pour les industriels : la performance du logiciel et son intégration dans le parcours sont indissociables.
En 2026, la seconde lecture humaine reste une composante du programme national français.
La Cour des comptes considère elle aussi que la place exacte de l’IA dans le dépistage organisé reste à définir et souligne la nécessité d’études prospectives dans les conditions françaises avant une éventuelle modification du circuit.
Conclusion
Les données de 2026 font franchir une étape importante à l’IA en mammographie.
Avec près de 106 000 participantes randomisées, MASAI montre qu’un circuit associant IA et lecture humaine peut réduire fortement la charge de lecture, augmenter la sensibilité et maintenir un taux de cancers d’intervalle compatible avec la non-infériorité par rapport à la double lecture classique.
Les études françaises montrent de leur côté pourquoi la transposition reste délicate.
Un filtre par IA pourrait retirer une grande partie des mammographies de la seconde lecture.
Mais même un très faible nombre de cancers mal classés compte, puisque l’objectif de cette seconde lecture est précisément de rattraper des cancers manqués au premier passage.
La question pour la France n’est donc plus seulement de savoir si l’IA sait analyser une mammographie.
Il faut déterminer où l’intégrer, avec quel seuil et avec quel niveau de sécurité acceptable.
Questions fréquentes
L’IA peut-elle aujourd’hui remplacer le radiologue pour lire une mammographie ?
Les études présentées ici ne testent pas ce scénario. Dans MASAI, chaque mammographie reste lue par au moins un radiologue. L’IA sert au tri et à l’aide à la détection.
Qu’est-ce qu’un cancer d’intervalle ?
C’est un cancer diagnostiqué après un dépistage considéré comme négatif et avant le dépistage suivant. Certains étaient déjà présents mais n’avaient pas été détectés. D’autres apparaissent réellement pendant l’intervalle.
Le programme de dépistage français a-t-il changé ?
Non. Les femmes de 50 à 74 ans sans facteur de risque particulier restent invitées à réaliser une mammographie tous les deux ans dans le cadre du programme organisé. Les mammographies normales ou bénignes bénéficient toujours d’une seconde lecture.
Une IA qui détecte davantage de cancers est-elle forcément meilleure ?
Pas à elle seule. Il faut aussi regarder les faux positifs, les cancers d’intervalle, les caractéristiques des cancers supplémentaires détectés et le risque de surdiagnostic.
Pourquoi les résultats français sont-ils moins solides que MASAI ?
Les deux études françaises réanalysent rétrospectivement des mammographies déjà réalisées. MASAI applique réellement les deux stratégies à des groupes constitués par tirage au sort, ce qui permet une comparaison plus robuste.
Pourquoi ne pas supprimer la seconde lecture pour les mammographies avec un score d’IA très faible ?
C’est précisément l’hypothèse explorée par les études françaises. Elle pourrait réduire fortement la charge de travail, mais certains cancers détectés aujourd’hui en seconde lecture étaient classés à faible risque par l’IA. Il faut mesurer ce risque prospectivement avant de modifier le programme.
Comprendre ces études demande d’aller au-delà du chiffre de performance affiché par l’algorithme : design de l’étude, population, seuil choisi, critère principal et limites changent complètement l’interprétation.
Avec docmeup, vous pouvez déposer le PDF d’une publication. Il est lu en entier, traduit et synthétisé en français. Les passages importants sont surlignés directement dans le texte original et les principaux critères de fiabilité de l’étude sont restitués.
L’explorateur permet aussi de rechercher la littérature dans plusieurs grandes bases scientifiques et de classer les publications par pertinence et niveau de preuve.
Le document source reste accessible pour vérifier les informations utilisées.
Références :
Gommers J, Hernström V, Josefsson V, et al. Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study: a randomised, controlled, non-inferiority, single-blinded, population-based, screening-accuracy trial. Lancet. 2026;407(10527):505-514. doi:10.1016/S0140-6736(25)02464-X.
Hernström V, Josefsson V, Sartor H, et al. Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI). Lancet Digit Health. 2025;7. doi:10.1016/S2589-7500(24)00267-X.
Lång K, Josefsson V, Larsson AM, et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI). Lancet Oncol. 2023;24(8):936-944. doi:10.1016/S1470-2045(23)00298-X.
Koïvogui A, Abihsera G, Saifi S, et al. Combining artificial intelligence analysis with expert mammogram reading: determining the optimal AI positivity cut-off point for the French population-based breast cancer screening program. Cancer Epidemiol. 2026;103:103136. doi:10.1016/j.canep.2026.103136.
Tourasse C, Mesurolle B, Ottavy M, Soler-Michel P, Taourel P. AI as a safety net reader for mammograms classified as normal or benign in the French screening program. Radiol Artif Intell. 2026;8(4). doi:10.1148/ryai.250989.
Santé publique France. Participation au programme national de dépistage organisé du cancer du sein en 2024-2025 et évolution depuis 2010. 6 juillet 2026.
Ceugnart L, Doutriaux-Dumoulin I, Heid P, et al. Seconde lecture en dépistage organisé du cancer du sein. États des lieux et perspectives d’évolution. Bull Cancer. 2022;109(7-8):768-779. doi:10.1016/j.bulcan.2022.03.004.
Thomassin-Naggara I, Chamming’s F, Ceugnart L, et al. Évolutions souhaitables du dépistage organisé du cancer du sein en France : préconisations de la Société d’imagerie de la femme et de la Société française de sénologie et de pathologie mammaire. Imagerie de la Femme. 2026;36(1):7-11. doi:10.1016/j.femme.2025.11.002.
Cour des comptes. La prévention et la prise en charge du cancer du sein. Janvier 2026.
Institut national du cancer. Programme national de dépistage organisé des cancers du sein. Consulté en septembre 2026.
