Abstract

Pertinence. L’intelligence artificielle (IA) est de plus en plus utilisée pour évaluer les lésions cutanées. Toutefois, la confiance accordée à cette technologie dépend non seulement de sa précision en laboratoire, mais aussi de la transparence des données relatives à ses performances en conditions réelles. La plupart des études montrent une précision élevée dans des environnements contrôlés, mais rares sont celles qui associent validation technique, évaluation clinique indépendante et comparaison avec la littérature scientifique dans un même rapport.

Objectif. Évaluer les capacités et les limites de l’analyse cutanée par IA à partir de trois sources : le rapport de précision Skinive 2026, une évaluation clinique indépendante réalisée dans un centre spécialisé de recours et des publications scientifiques récentes évaluées par les pairs.

Méthodes. Synthèse des données issues de la validation technique de l’algorithme Skinive, d’une évaluation clinique indépendante menée auprès d’un échantillon de patients présentant des cas complexes et d’une analyse de la littérature scientifique.

Résultats. L’algorithme Skinive présente une amélioration progressive de sa précision d’une version à l’autre. Lors de l’évaluation indépendante portant sur un échantillon de cas complexes, un résultat cliniquement utile — diagnostic correct parmi les trois premières prédictions, identification correcte du groupe de maladies ou orientation appropriée du patient — a été obtenu dans 80 % des cas.

Conclusions. L’analyse cutanée par IA peut apporter une aide cliniquement pertinente dans l’évaluation précoce des lésions, à condition d’être utilisée comme un outil d’aide à la décision et non comme un substitut au médecin. Des études prospectives multicentriques supplémentaires restent nécessaires.

Introduction

L’intelligence artificielle est devenue l’une des technologies qui progressent le plus rapidement en dermatologie. Dans des conditions contrôlées, l’apprentissage profond permet d’atteindre des niveaux de précision proches de ceux de dermatologues expérimentés. Cependant, transposer ces résultats à la pratique clinique courante demeure un défi majeur.

La plupart des études évaluent l’IA à l’aide d’indicateurs classiques, notamment la sensibilité, la spécificité et l’aire sous la courbe ROC (AUROC). Ces mesures ne reflètent toutefois pas entièrement le comportement du système face à des images de qualité variable, à des maladies rares ou à des populations de patients diversifiées. C’est pourquoi les données probantes en vie réelle (Real-World Evidence, RWE) suscitent un intérêt croissant dans l’évaluation des technologies médicales fondées sur l’IA.

Ce rapport associe validation technique, évaluation clinique indépendante et comparaison avec la littérature scientifique. Il ne prétend pas que l’IA puisse établir un diagnostic définitif. Il examine plutôt son rôle comme outil d’aide à la décision : évaluation précoce des risques, auto-examen cutané et priorisation des orientations vers un spécialiste.

Sources des données probantes

Le rapport s’appuie sur trois sources indépendantes :

1. Rapport de précision Skinive 2026 — validation technique de l’algorithme selon une méthodologie standardisée.
2. Évaluation clinique indépendante réalisée dans un centre spécialisé de recours auprès d’un échantillon de patients présentant des cas complexes.
3. Littérature scientifique récente consacrée à l’intelligence artificielle en dermatologie et à la santé numérique.

Chaque source apporte un éclairage différent : la validation technique mesure les performances dans des conditions standardisées ; l’évaluation clinique examine le comportement du système face à des cas complexes ; la littérature scientifique fournit un contexte externe permettant d’interpréter les résultats.

Enseignements tirés de 6,5 millions d’analyses cutanées par IA en conditions réelles

Comprendre comment l’IA est utilisée au quotidien en dermatologie

Depuis son lancement, la plateforme Skinive a réalisé plus de 6,57 millions d’analyses cutanées par IA (troisième trimestre 2026). Elle dispose ainsi de l’une des plus importantes collections propriétaires d’évaluations cutanées réalisées en conditions réelles à partir de smartphones.

Ces données ne reflètent pas la prévalence des maladies dans la population générale. Elles permettent néanmoins de comprendre comment les utilisateurs recourent à l’IA dermatologique dans leur vie quotidienne.

Figure : Répartition géographique des analyses cutanées par IA.

Interprétation principale : cet ensemble de données reflète une utilisation courante dans plusieurs systèmes de santé et régions géographiques, ce qui accroît la diversité des conditions réelles dans lesquelles la technologie est employée.

Répartition géographique. La majorité des analyses proviennent d’Allemagne, de Russie, d’Inde, du Royaume-Uni, de France, d’Italie, du Bangladesh, d’Espagne, d’Australie et du Brésil. Viennent ensuite l’Argentine, la Colombie, les Pays-Bas, le Mexique, la Pologne, la Biélorussie, les États-Unis, l’Autric, le Chili et les Philippines.

Quels problèmes de peau les utilisateurs analysent-ils réellement ?

Les utilisateurs ne recourent pas à l’IA uniquement pour le dépistage du cancer de la peau.

Parmi les anomalies identifiées, les maladies inflammatoires de la peau représentent la catégorie la plus importante.

Figure : Répartition des anomalies cutanées identifiées à l’aide de l’IA.

Interprétation principale : les affections cutanées inflammatoires constituent la principale catégorie d’utilisation de l’IA en conditions réelles, tandis que l’évaluation du risque de cancer de la peau demeure une application clinique majeure.

Détection des risques cliniquement significatifs

Dans 14,68 % de l’ensemble des analyses réalisées par IA, des anomalies ont été identifiées comme des indicateurs de risque cliniquement significatifs nécessitant une attention supplémentaire.

Il ne s’agit pas de diagnostics confirmés, mais de recommandations formulées par l’algorithme concernant la nécessité éventuelle de consulter un spécialiste.

Figure : Détection des risques cliniquement significatifs.

Interprétation principale : proportion d’analyses cutanées par IA ayant donné lieu à des recommandations liées à un risque cliniquement significatif.

Des taux de détection plus élevés peuvent s’expliquer par un biais d’autosélection : les utilisateurs choisissent eux-mêmes de faire analyser des anomalies cutanées qu’ils jugent suspectes.

Plateformes mobiles et accessibilité

Environ 60 à 65 % des analyses ont été réalisées sur des appareils Android, le reste provenant d’utilisateurs d’iPhone.

Cette répartition témoigne de la large accessibilité de la dermatologie sur smartphone, indépendamment de l’écosystème mobile utilisé.

Figure : Répartition des analyses selon la plateforme mobile.

La qualité des images reste le principal facteur modifiable

Parmi les analyses qui n’ont pas pu être menées à bien, la majorité des échecs est associée à deux facteurs évitables :

• un éclairage insuffisant ;
• des images floues, en raison d’une mauvaise mise au point ou d’un mouvement de l’appareil photo.

Contrairement aux limites liées à la morphologie des lésions ou aux caractéristiques techniques de l’appareil photo, ces facteurs peuvent être corrigés directement par les utilisateurs.

Figure : Principales causes de dégradation de la qualité des images.

Interprétation principale : des conseils pédagogiques sur la prise de photos pourraient améliorer davantage les performances diagnostiques, sans nécessiter de modification de l’algorithme d’IA lui-même.

Principales observations issues des données en vie réelle

L’analyse de plus de 6,57 millions d’évaluations cutanées assistées par IA permet de dégager plusieurs observations importantes qui vont au-delà des études de validation conventionnelles.

• L’IA dermatologique est utilisée plus fréquemment pour les maladies inflammatoires que de nombreux professionnels de santé pourraient le supposer.
• Les utilisateurs consultent l’IA pour des préoccupations cutanées précises, plutôt que dans le cadre d’un dépistage systématique à grande échelle.
• La qualité des images constitue le principal facteur modifiable pour garantir la réussite de l’analyse.
• L’accumulation de données cliniques propriétaires a permis d’améliorer continuellement l’algorithme, notamment dans la reconnaissance des lésions pigmentées et l’évaluation du risque de cancer de la peau.

Rapport de précision 2026 : principaux résultats

Le Rapport de précision Skinive 2026 retrace l’évolution de l’algorithme Skinive à l’aide d’une méthodologie standardisée, appliquée de manière cohérente d’une version à l’autre.

• 55 maladies cutanées sont reconnues par l’algorithme.
• Environ 250 000 images annotées cliniquement ont été utilisées pour son entraînement.
• Plus de 6,5 millions d’analyses cutanées par IA ont été réalisées depuis le lancement de la plateforme.
• Une amélioration régulière de la sensibilité, de la spécificité, de la précision et du score F1 a été observée.

Figure : Évolution des performances de l’IA Skinive (2021–2026).

Interprétation principale : ces améliorations ont été obtenues sans privilégier un indicateur au détriment des autres. Le profil de performance de l’algorithme est devenu plus équilibré.

Cet équilibre est essentiel pour les systèmes d’aide à la décision clinique, qui doivent trouver un compromis entre le risque de ne pas détecter certaines lésions et celui de produire des résultats faussement positifs.

Évaluation clinique en conditions difficiles dans un centre spécialisé de recours

Conception de l’étude

En 2026, Skinive a fait l’objet d’une évaluation clinique dans un centre spécialisé de recours, dont le nom n’est pas communiqué en raison d’engagements de confidentialité.

Ce centre prend en charge des cas complexes adressés par des médecins généralistes et des dermatologues.

Il s’agit donc d’une évaluation en conditions particulièrement exigeantes, et non d’une étude de dépistage en population générale.

• 241 examens ont été réalisés au total.
• 160 cas disposaient de données complètes et constituaient la cohorte principale de l’analyse.
• Diagnostics de référence : examen histopathologique pour 117 cas, cytologie pour 22 cas et diagnostic clinique établi par un dermatologue pour 21 cas.

L’évaluation a été réalisée à plusieurs niveaux :

• Correspondance exacte avec la première, la deuxième ou la troisième prédiction de l’algorithme (top 1, top 2 et top 3).
• Identification correcte du groupe de maladies.
• Orientation appropriée du patient selon le niveau de risque.
• Absence totale de correspondance.
• Cas correspondant à des maladies non couvertes par l’algorithme.

Les différences entre carcinome basocellulaire et carcinome épidermoïde, ainsi qu’entre mélanome et mélanome sur lentigo malin, n’ont pas été considérées comme des erreurs.

Ces affections peuvent être difficiles à distinguer visuellement et nécessitent un examen histologique.

Population étudiée

L’échantillon était particulièrement sélectif et complexe.

Les cas de suspicion de mélanome, de carcinome basocellulaire, de carcinome épidermoïde, de maladie de Bowen et de nævus dysplasiques étaient prédominants.

Les lésions bénignes simples étaient pratiquement absentes.

Ce point est essentiel pour interpréter les résultats.

Dans une population de dépistage classique, la majorité des lésions sont bénignes et présentent des caractéristiques typiques.

Dans cette étude, en revanche, les lésions atypiques, malignes, précancéreuses et difficiles à différencier sur le plan diagnostique étaient surreprésentées.

Les résultats ne peuvent donc pas être directement extrapolés au dépistage de masse.

Résultats

• Correspondance exacte avec la première prédiction (top 1) : 87 cas sur 160, soit 54,4 %.
• Correspondance exacte parmi les trois premières prédictions (top 3) : 19 cas supplémentaires (11,9 %) correspondaient à la deuxième prédiction et 7 cas (4,4 %) à la troisième. Au total, le diagnostic correct figurait parmi les trois premières prédictions dans 113 cas sur 160, soit 70,6 %.
• Identification correcte du groupe de maladies : 6 cas supplémentaires (3,75 %). Le diagnostic précis ne correspondait pas, mais le groupe de maladies avait été correctement identifié.
• Orientation appropriée du patient : 9 cas (5,6 %). Le diagnostic et le groupe de maladies ne correspondaient pas, mais l’évaluation du risque conduisait à une décision d’orientation correcte.
• Résultat composite cliniquement utile : en regroupant les correspondances parmi les trois premières prédictions, les classifications correctes par groupe et les orientations appropriées, Skinive a fourni un résultat cliniquement utile dans 128 cas sur 160, soit 80,0 %.
• Cas restants : 6 maladies non reconnues (3,75 %) et 26 résultats entièrement incorrects (16,25 %).
• Analyse de sous-groupe : parmi 23 cas sans examen histologique ou présentant une cytologie indéterminée, les trois premières prédictions correspondaient au diagnostic clinique du dermatologue dans 19 cas (82,6 %). Des divergences ont été observées dans 4 cas (17,4 %), dont 3 concernaient des maladies non reconnues par l’algorithme.

Interprétation clinique

La principale conclusion n’est pas que Skinive a établi un diagnostic exact dans tous les cas : ce n’est pas le cas.

L’élément essentiel est que le système a conservé une valeur diagnostique ou une utilité pour l’orientation des patients dans 80 % des cas d’un échantillon de recours exceptionnellement complexe.

Pour un outil d’aide à la décision, la correspondance diagnostique exacte et l’orientation appropriée du patient sont deux résultats liés, mais distincts.

L’examen histopathologique reste indispensable pour la classification définitive de nombreuses lésions malignes ou présentant des caractéristiques limites.

Une réponse produite par l’IA à partir d’une photographie d’une lésion cutanée ne doit donc pas être évaluée uniquement selon sa capacité à reproduire une classification histologique.

Sa capacité à susciter une suspicion clinique, à attribuer un niveau de risque et à encourager une consultation spécialisée en temps utile possède également une importance clinique.

Profil des erreurs : les résultats entièrement incorrects représentaient 16,25 % des cas.

Ils concernaient principalement des affections rares, notamment le nævus de Spitz, le xanthogranulome juvénile et le granulome pyogénique, ainsi que des manifestations atypiques de maladies courantes.

Les résultats faussement positifs étaient plus fréquents que les résultats faussement négatifs.

Du point de vue de la vigilance oncologique, une tendance aux faux positifs peut être préférable, car elle réduit le risque de négliger une lésion dangereuse.

Cependant, les faux positifs ne sont pas sans conséquences : ils peuvent provoquer de l’anxiété, entraîner des consultations inutiles et accroître la charge pesant sur le système de santé.

L’équilibre approprié dépend du contexte clinique et de l’accessibilité des spécialistes.

Ces résultats soutiennent l’utilisation de Skinive comme outil complémentaire de sensibilisation aux risques et d’aide à la décision, plutôt que comme système diagnostique autonome.

Limites de l’étude

• La cohorte principale ne comprend que 160 cas, ce qui limite la précision statistique des résultats.
• L’échantillon n’est ni consécutif ni représentatif de la population générale. Il comporte une proportion élevée de lésions complexes et malignes, ce qui introduit des biais de spectre et de sélection.
• Tous les diagnostics de référence n’ont pas été confirmés par un examen histologique.
• Le résultat composite de 80 % regroupe trois niveaux d’évaluation différents. Il ne peut donc pas être présenté comme une « précision diagnostique de 80 % ». Les taux stricts de correspondance top 1 et top 3 sont respectivement de 54,4 % et 70,6 %.
• Les résultats ne peuvent pas être directement transposés au dépistage de masse, aux soins primaires ou à l’auto-évaluation réalisée de manière autonome par les utilisateurs.

Comparaison avec la littérature scientifique publiée

Au cours de la dernière décennie, de nombreuses études ont montré que l’apprentissage profond pouvait atteindre des performances comparables à celles des dermatologues dans certaines tâches de classification réalisées en conditions contrôlées.

Cependant, ces mêmes travaux soulignent que la précision obtenue en laboratoire ne garantit pas une efficacité équivalente dans la pratique quotidienne.

Les revues systématiques mettent en évidence une forte hétérogénéité entre les études.

Les différences concernant l’acquisition des images, la prévalence des maladies, les méthodes de référence et les indicateurs utilisés rendent les comparaisons directes difficiles.

C’est pourquoi la validation clinique prospective et l’utilisation de données probantes en vie réelle sont recommandées.

Les résultats de Skinive s’inscrivent dans cette tendance : ils montrent une amélioration progressive grâce au développement itératif, à l’élargissement des ensembles de données et à la validation continue, plutôt qu’à une avancée technologique isolée.

Le rapport ne cherche pas à démontrer la supériorité de Skinive sur d’autres systèmes.

Les différences de conception des études et de composition des échantillons empêchent toute comparaison directe scientifiquement valable.

Les conclusions rejoignent le consensus émergent : une évaluation fiable des systèmes d’aide à la décision clinique nécessite plusieurs sources de données probantes complémentaires.

Discussion

Ce rapport associe trois sources de données probantes : la validation technique, l’évaluation clinique indépendante et la comparaison avec la littérature scientifique.

La validation technique met en évidence une amélioration progressive de l’algorithme.

L’évaluation clinique complète ces résultats en montrant comment le système se comporte dans des conditions diagnostiques nettement plus complexes.

La littérature scientifique fournit un contexte externe permettant de mieux interpréter les observations.

Un constat important : l’évaluation de l’IA médicale doit aller au-delà d’un indicateur unique.

La correspondance diagnostique exacte reste importante, mais elle ne reflète pas entièrement la valeur clinique des systèmes destinés à l’évaluation précoce et à l’orientation des patients.

Même au sein d’une population de recours présentant des cas complexes, Skinive a fréquemment apporté une aide cliniquement pertinente grâce au diagnostic différentiel, à la reconnaissance des groupes de maladies ou aux recommandations d’orientation.

Conséquences pratiques pour les soins primaires, la télédermatologie et l’auto-évaluation : la question essentielle n’est souvent pas « Quel est le diagnostic exact ? », mais plutôt « Ce patient doit-il consulter un médecin ? ».

Lorsqu’elle est utilisée de manière appropriée, l’IA peut contribuer à la détection précoce, à la sensibilisation des patients et à la priorisation des orientations vers des spécialistes.

Elle complète ainsi l’examen clinique, la dermoscopie et l’histologie, sans les remplacer.

Le rapport souligne également l’importance de la transparence.

La précision technique, à elle seule, ne donne qu’une vision partielle des performances.

L’évaluation indépendante, l’analyse des limites et la comparaison avec la littérature permettent une interprétation plus réaliste des résultats.

Limites et perspectives

• L’évaluation clinique a été réalisée dans un centre spécialisé auprès d’une population extrêmement sélectionnée. Les résultats ne reflètent donc pas les conditions habituelles des soins primaires ni celles de l’auto-examen cutané.
• Toutes les lésions n’ont pas fait l’objet des mêmes procédures de confirmation diagnostique.
• Le caractère non public de l’ensemble complet des données limite la reproductibilité externe, même si la méthodologie et les indicateurs de performance sont communiqués.
• Aucun ensemble de données, aucune étude et aucun indicateur ne peuvent, à eux seuls, caractériser entièrement la fiabilité d’un système d’IA. Des données supplémentaires en vie réelle, des évaluations externes indépendantes et des études prospectives multicentriques restent nécessaires.
• Les prochaines éditions du rapport devraient intégrer des ensembles de données prospectives plus importants, des analyses longitudinales, de nouvelles évaluations externes et davantage de résultats concernant l’orientation des patients.

Conclusion

L’intelligence artificielle occupe une place croissante dans la dermatologie moderne.

Cependant, la confiance accordée à ces technologies doit reposer sur des données probantes transparentes, et non sur des indicateurs de performance isolés.

Principales conclusions :

1. La validation technique démontre une amélioration continue de l’algorithme Skinive d’une version à l’autre.
2. L’évaluation clinique indépendante confirme une utilité cliniquement significative dans des conditions complexes, avec 80 % de résultats cliniquement utiles dans un échantillon particulièrement difficile.
3. L’utilité clinique ne se limite pas à l’exactitude du diagnostic. La classification correcte des maladies et les recommandations d’orientation constituent des composantes importantes de l’aide à la décision.
4. Les résultats sont cohérents avec la littérature scientifique, qui souligne de plus en plus la nécessité d’associer validation technique, données probantes en vie réelle et évaluation clinique indépendante.
5. La transparence concernant les forces et les limites est essentielle. Une mise en œuvre responsable de l’IA nécessite une validation continue, des évaluations indépendantes et une communication régulière des résultats.

L’IA ne remplace pas le dermatologue.

Elle peut toutefois contribuer à l’évaluation précoce des risques, à la sensibilisation des patients et à la priorisation des consultations spécialisées lorsqu’elle est intégrée aux pratiques dermatologiques établies.

Disponibilité des données

L’ensemble complet des données d’entraînement et les collections propriétaires d’images ne sont pas accessibles au public en raison de la présence de données cliniques protégées et de droits de propriété intellectuelle.

Les indicateurs de performance agrégés, la méthodologie et les résultats de validation sont disponibles dans le Rapport de précision Skinive 2026 et dans les publications scientifiques correspondantes.

Déclaration de conflits d’intérêts

Kirill Sokol est le fondateur de Skinive.

Les auteurs participent au développement, à la validation et à la commercialisation de la plateforme d’intelligence artificielle Skinive.

L’évaluation clinique indépendante décrite dans ce rapport a été réalisée par des cliniciens d’un centre dermatologique spécialisé de recours de niveau tertiaire.

L’établissement médical a conservé l’entière responsabilité de l’établissement des diagnostics de référence, conformément à la pratique clinique habituelle.

L’identité de l’établissement n’est pas divulguée en vertu d’un accord de confidentialité. Cette confidentialité n’a aucune incidence sur l’interprétation des résultats présentés.

Les auteurs ne déclarent aucun autre conflit d’intérêts.

Foire aux questions (FAQ)

Qu’est-ce que le rapport Skinive sur les données probantes en vie réelle ?

Le rapport Skinive sur les données probantes en vie réelle (Real-World Evidence Report) présente les résultats de plus de 6,5 millions d’analyses cutanées assistées par IA, associés à des données de validation clinique et à des preuves scientifiques issues de publications évaluées par les pairs.

Son objectif est de décrire de manière transparente les performances de l’IA Skinive dans des conditions d’utilisation quotidiennes, sa précision diagnostique ainsi que les limites des grandes bases de données recueillies en conditions réelles.

Pourquoi une base de données de 6,5 millions d’analyses cutanées est-elle importante ?

Les grandes bases de données en conditions réelles exposent les algorithmes d’IA à une grande diversité de types de peau, de conditions de prise de vue et de manifestations cliniques difficiles à reproduire dans des études contrôlées.

Elles fournissent également des informations précieuses sur la manière dont les utilisateurs recourent réellement à la dermatologie assistée par IA dans leur vie quotidienne.

L’intelligence artificielle peut-elle détecter avec précision le cancer de la peau ?

L’intelligence artificielle peut aider à identifier les lésions cutanées susceptibles de nécessiter une consultation médicale, notamment les lésions pigmentées suspectes pouvant être associées au mélanome et à d’autres cancers de la peau.

Cependant, l’IA doit être considérée comme un outil d’aide à la décision et non comme un substitut à l’examen clinique ou au diagnostic histopathologique.

L’intelligence artificielle peut-elle remplacer un dermatologue ?

Non. L’IA est conçue pour faciliter l’évaluation précoce des risques et l’orientation des patients, et non pour remplacer les dermatologues.

Le diagnostic définitif et les décisions thérapeutiques doivent toujours être établis par des professionnels de santé qualifiés.

Quels facteurs réduisent le plus souvent les performances de l’IA dans l’analyse cutanée ?

Les causes les plus fréquentes d’échec ou de diminution de la qualité des analyses d’images sont :

• un éclairage insuffisant ;
• des images floues ;
• une mauvaise mise au point ;
• une visualisation incomplète de la lésion.

L’amélioration de la qualité des images augmente considérablement la fiabilité des évaluations assistées par IA.

Skinive a-t-il fait l’objet d’une validation clinique ?

Oui. Skinive a publié plusieurs études de validation ainsi qu’un rapport annuel de précision (Accuracy Report) décrivant la méthodologie, les ensembles de données utilisés pour la validation et les performances diagnostiques de l’algorithme.

Les données cliniques sont continuellement actualisées à mesure que la plateforme évolue.

Pour en savoir plus, consultez le Clinical Evidence Hub (Centre de ressources sur les preuves cliniques).

Quels smartphones ont été utilisés pour ces analyses cutanées par IA ?

Environ 60 à 65 % des analyses ont été réalisées sur des appareils Android, tandis que les évaluations restantes provenaient d’utilisateurs d’iPhone.

Cette diversité d’appareils permet d’évaluer les performances de l’algorithme sur différents systèmes photographiques et dans diverses conditions de prise de vue en situation réelle.