À une époque où les laboratoires d’intelligence artificielle s’efforcent de construire des modèles toujours plus grands entraînés sur des ensembles de données toujours plus vastes, un résultat sobre est apparu à l’issue de l’une des évaluations comparatives les plus complètes jamais menées en pathologie computationnelle. La taille, semble-t-il, n’est pas le destin.
Une équipe dirigée par l’Université Stanford et le Laboratoire national d’Argonne a systématiquement évalué 32 modèles d’IA fondamentaux sur des tâches de pathologie couvrant le diagnostic des tumeurs, la prédiction de biomarqueurs, la classification des tissus et la généralisation hors domaine. Publiée aujourd’hui dans Nature Communications (DOI : 10.1038/s41467-026-76004-6), l’étude rend un verdict contre-intuitif : la taille du modèle et l’échelle des données de préentraînement ne prédisent pas de manière cohérente les performances d’un modèle face aux défis réels de la pathologie.
Pour un secteur qui a adopté le principe « plus gros c’est mieux » presque comme un article de foi, il s’agit d’un correctif aux implications cliniques réelles.
L’architecture du benchmark
Les modèles fondamentaux sont de grands réseaux neuronaux préentraînés sur des ensembles de données massifs et non étiquetés qui peuvent être adaptés à un large éventail de tâches en aval. En pathologie computationnelle, ces modèles analysent des images microscopiques de tissus pour détecter le cancer, classer les tumeurs, prédire les mutations génétiques et guider les décisions thérapeutiques. Le domaine les a adoptés avec enthousiasme, mais jusqu’à présent, personne n’avait réalisé une comparaison véritablement systématique entre familles de modèles.
L’équipe de Stanford a créé le cadre d’évaluation PathBench et testé 32 modèles répartis en quatre catégories : les modèles de vision générale (VM), les modèles vision-langage généraux (VLM), les modèles de vision spécifiques à la pathologie (Path-VM) et les modèles vision-langage spécifiques à la pathologie (Path-VLM). Les modèles ont été évalués sur des tâches au niveau des lames et des échantillons tirées de l’Atlas du génome du cancer (TCGA), du Consortium d’analyse protéomique clinique des tumeurs (CPTAC), ainsi que de plusieurs ensembles de données externes et hors domaine.
Le résultat est la carte de performance la plus complète jamais assemblée des modèles fondamentaux en pathologie, et ce qu’elle révèle sape la sagesse dominante concernant ce qui détermine réellement la qualité d’un modèle.
Le mythe du passage à l’échelle
L’une des découvertes les plus frappantes est la faible relation entre le nombre de paramètres d’un modèle et ses performances en aval. Les plus grands modèles du benchmark n’étaient pas systématiquement les meilleurs. De même, l’échelle des données de préentraînement, mesurée par le nombre d’images auxquelles un modèle a été exposé avant le réglage fin, n’a montré aucune corrélation fiable avec la précision sur les tâches spécifiques à la pathologie.
Cela va directement à l’encontre de la tendance qui domine l’IA depuis cinq ans. Commençant par la révolution des transformeurs et se poursuivant à travers l’ère des grands modèles de langage et des systèmes multimodaux, la vision conventionnelle soutenait que l’ajout de paramètres et de données d’entraînement supplémentaires produisait systématiquement de meilleurs résultats. Les lois de passage à l’échelle qui régissent la modélisation du langage et la vision par ordinateur générale ont été traitées comme des vérités quasi universelles.
Le nouveau benchmark suggère que la pathologie computationnelle pourrait être différente. Lorsqu’on demande à un modèle de raisonner sur l’architecture microscopique des tissus humains, les spécificités de son entraînement et de son objectif importent bien plus que sa capacité brute.
Les Path-VM mènent la danse
Sur l’ensemble des tâches d’évaluation, les modèles de vision spécifiques à la pathologie se sont systématiquement classés parmi les plus performants. Les modèles préentraînés sur des images histologiques, comme les scans de lames entières, ont systématiquement surpassé les modèles de vision générale et les modèles vision-langage spécifiques à la pathologie dans la plupart des tâches en aval.
Il s’agit d’une découverte importante car elle valide l’investissement considérable que le domaine a réalisé dans le préentraînement spécifique. Plutôt que d’emprunter simplement un modèle entraîné sur ImageNet ou un corpus vision-langage générique en espérant qu’il se transpose bien à l’analyse des tissus, le benchmark montre que le préentraînement dédié sur des données de pathologie offre des avantages mesurables.
Pourtant, le tableau est plus nuancé qu’une simple hiérarchie. Les différences entre les modèles les plus performants étaient souvent faibles et hautement dépendantes de la tâche. Un modèle qui excellait dans le sous-typage du cancer du sein pouvait être à la traîne sur la prédiction des mutations du cancer du poumon. Un autre modèle spécialisé en pathologie gastro-intestinale pouvait sous-performer sur les tâches génito-urinaires. Dans de nombreux cas, les meilleurs modèles n’étaient séparés que par des fractions de point de pourcentage, et le classement des modèles changeait selon le type de tissu ou la tâche diagnostique évaluée.
Cette hétérogénéité a son importance pour le déploiement clinique. Elle suggère qu’il n’existe pas de modèle unique et optimal pour la pathologie computationnelle. Au lieu de cela, une performance optimale peut nécessiter de faire correspondre les forces du modèle à des questions cliniques spécifiques, une découverte qui complique les efforts de normalisation des outils d’IA dans les systèmes hospitaliers.
Le cas curieux des modèles vision-langage en pathologie
Les modèles vision-langage, qui apprennent des représentations conjointes d’images et de texte, comptent parmi les avancées les plus célébrées de l’IA ces dernières années. Des modèles comme CLIP et ses variantes ont démontré des capacités remarquables en apprentissage zéro-shot sur des tâches d’imagerie générale, et des versions spécifiques à la pathologie ont été développées pour aligner les images de tissus avec le texte diagnostique.
Mais l’évaluation PathBench révèle un écart de performance surprenant. Les modèles vision-langage spécifiques à la pathologie ont systématiquement sous-performé les modèles de vision spécifiques à la pathologie dans la plupart des tâches au niveau des lames et des échantillons. L’ajout de la capacité de traitement du langage, semble-t-il, peut introduire du bruit ou un désalignement qui dégrade les performances sur les tâches purement visuelles de diagnostic.
Cela ne signifie pas que les modèles vision-langage manquent de valeur. Ils offrent des avantages en termes d’interprétabilité, d’apprentissage en quelques coups et pour les tâches qui exigent explicitement de faire correspondre des images à des descriptions textuelles. Mais pour les workflows diagnostiques centraux de la pathologie computationnelle (classification des tissus, détection des anomalies et prédiction des phénotypes moléculaires), les modèles purement visuels se sont avérés plus fiables.
L’agrégation comme voie pratique vers l’avant
Si aucun modèle unique ne domine systématiquement, l’étude suggère une solution pratique : les combiner. Les chercheurs ont constaté que l’agrégation tardive au niveau décisionnel, qui fait la moyenne des prédictions de plusieurs modèles diversifiés, améliorait les performances globales sur l’ensemble des ensembles de données et des types de tissus. L’ensemble a systématiquement surpassé chaque modèle individuel, et l’amélioration était la plus prononcée sur les tâches les plus difficiles.
C’est une bonne nouvelle pour le déploiement clinique. L’agrégation est une technique bien comprise qui ne nécessite pas de réentraîner les modèles ni de reconcevoir les workflows. Elle peut être mise en œuvre comme une couche légère au-dessus des sorties de modèles existants. Pour un hôpital envisageant de déployer l’IA en pathologie, le message est clair : utilisez plusieurs modèles et laissez-les voter.
Ce que le benchmark ne mesure pas
L’évaluation PathBench est exhaustive, mais elle comporte d’importantes limites. Les auteurs reconnaissent que l’efficacité computationnelle, la latence d’inférence, l’empreinte mémoire et la logistique de déploiement clinique n’ont pas été explicitement évaluées. Un modèle qui fonctionne bien mais nécessite un cluster de GPU pour traiter une seule lame peut être moins pratique qu’un modèle légèrement moins précis qui fonctionne sur du matériel hospitalier standard.
De même, le benchmark n’aborde pas entièrement le problème du changement de distribution, le phénomène par lequel les performances d’un modèle se dégradent lorsqu’il rencontre des données provenant d’un hôpital, d’un scanner ou d’une population de patients différents. L’inclusion d’ensembles de données externes fournit un certain signal, mais le déploiement en conditions réelles reste le test ultime.
L’équipe a rendu la plateforme PathBench accessible au public à l’adresse pathbench.stanford.edu, invitant la communauté de recherche à soumettre de nouveaux modèles pour évaluation. Cette approche ouverte est essentielle pour un domaine qui évolue rapidement. De nouveaux modèles fondamentaux en pathologie sont publiés à un rythme remarquable, et tout benchmark statique risque de devenir rapidement obsolète.
Implications pour le domaine
Le message central de cette étude est à la fois humble et libérateur. Il est humble parce qu’il dégonfle le récit selon lequel jeter plus de calcul et plus de données sur un problème est une voie fiable vers le progrès. Il est libérateur parce qu’il suggère que des modèles plus petits et plus soigneusement conçus, entraînés sur des données adaptées à la tâche, peuvent concurrencer (et parfois surpasser) les géants.
Pour les laboratoires universitaires et les petites entreprises sans accès à des clusters de GPU massifs, c’est un résultat encourageant. La voie vers une meilleure IA en pathologie peut ne pas nécessiter d’égaler l’échelle des plus grandes entreprises technologiques. Au lieu de cela, une conception architecturale réfléchie, un préentraînement spécifique au domaine et des stratégies pratiques d’agrégation peuvent offrir une voie plus accessible vers des performances de qualité clinique.
L’étude soulève également des questions importantes pour la trajectoire du domaine. Si les lois de passage à l’échelle sont plus faibles en pathologie que dans d’autres domaines, quels sont les véritables moteurs de la qualité des modèles ? Les données suggèrent que la stratégie de préentraînement, les choix architecturaux et l’alignement avec les tâches en aval sont plus importants que le passage à l’échelle par la force brute. Comprendre ces facteurs à un niveau plus profond devrait être une priorité pour la recherche future.
Alors que la pathologie computationnelle s’achemine vers une adoption clinique, la leçon de ce benchmark est simple : lorsqu’il s’agit de modèles d’IA qui aident à diagnostiquer les maladies, plus gros n’est pas toujours meilleur. Ce qui compte, c’est la qualité de l’apprentissage visuel du modèle.
Reference: PathBench: A systematic benchmark of 32 AI foundation models for computational pathology. Nature Communications (2026). DOI: 10.1038/s41467-026-76004-6
Traduit par Lydie