Contexte : La détection précoce du mélanome améliore considérablement les taux de survie des patients. L'apprentissage profond a démontré une précision équivalente à celle des dermatologues dans l'évaluation des lésions cutanées pigmentées en analysant les images au niveau des pixels. Cependant, ces réseaux neuronaux peuvent rencontrer des difficultés avec des images "réelles" en raison de données d'entraînement limitées et d'artefacts d'image. Objectifs : Notre étude visait à créer un algorithme d'apprentissage profond innovant et à évaluer sa performance dans la classification des lésions pigmentées bénignes et pigmentées malignes sur un large éventail de jeux de données, en commençant par des bases de données publiques d'images dermoscopiques, suivies par des images dermoscopiques collectées par des dermatologues, et pour finir par des photos "réelles" prises par des médecins généralistes dans le cadre de la télédermatologie. Méthodes : Nous avons entraîné notre modèle avec le grand ensemble de données ISIC composé de 65 109 images uniques étiquetées après filtrage. Une stratégie d'optimisation innovante a été appliquée pour créer une catégorie "douteuse" dérivée des deux catégories originales : mélanome et non mélanome. Nous avons ensuite évalué la performance de notre algorithme sur la base de données GLOMEL de 2 672 images dermoscopiques en comparaison avec les résultats pathologiques, et sur 294 images de lésions pigmentées collectées rétrospectivement dans les cliniques de dermatologie ambulatoires et sur deux plateformes de télémédecine, en comparaison avec les recommandations des experts. Résultats : Notre algorithme a démontré une nette amélioration des performances en signalant les cas "douteux" par rapport à l'approche binaire traditionnelle. Avec cette nouvelle méthode, il a atteint une performance robuste, comparable à celle des dermatologues dans la classification du mélanome, utilisant une variété d'images dermoscopiques et d'images cliniques haute résolution. Cette méthode est cliniquement pertinente car elle met en évidence, via la catégorie “douteuse", quelles lésions nécessitent l'avis d'experts humains et lesquelles sont des cas évidents. Conclusion : Ces résultats montrent le potentiel de HUVY pour aider les médecins généralistes à faire des demandes plus éclairées en distinguant les mélanomes probables, les lésions douteuses et les lésions clairement bénignes. Libérés de ⅔ des demandes pour des lésions bénignes, il permet aux spécialistes de se concentrer sur les cas les plus critiques ou incertains. Points Clés : ● Pourquoi l'étude a-t-elle été menée ? L'étude vise à démontrer la performance de la détection du mélanome par IA à trois niveaux pour améliorer l'exactitude des demandes, en mettant 22 l'accent sur l'accélération des soins pour les patients présentant des lésions à haut risque, en adressant les cas incertains et en filtrant la majorité des cas bénins. Cette démonstration a été réalisée en utilisant un ensemble de données très varié, y compris des photos réelles. ● Qu'apporte cette étude ? Cette étude démontre la capacité de l'IA à améliorer les demandes des médecins généralistes dans les cas évidents, tout en concentrant la télé-expertise sur les cas plus incertains. Elle souligne également la nécessité d'une formation utilisateur approfondie, en mettant en avant l'importance des images de haute qualité pour maximiser la précision. ● Quelles sont les implications de cette étude pour la compréhension des maladies et/ou les soins cliniques ? Cette étude montre le potentiel de l'IA pour accélérer les soins dans les cas à haut risque, en tant que filtre pré-analytique automatisé pour libérer du temps pour les dermatologues. L'IA peut aider les professionnels de santé à prendre des décisions plus éclairées, particulièrement dans les cas difficiles, ce qui conduit à des diagnostics plus précis, de meilleurs résultats et une utilisation efficace des ressources