Le modèle DADD pour la rectocolite hémorragique génère des images de sévérité, mais ne constitue pas un outil de diagnostic

DADD a généré des images d’endoscopie de rectocolite hémorragique couvrant quatre degrés de sévérité, mais le modèle ne diagnostique pas les patients à partir de nouvelles images de coloscopie. Le modèle DADD pour la rectocolite hémorragique synthétise plutôt une progression contrôlée de la maladie tout en cherchant à préserver l’anatomie visible dans une image source. Cette distinction est importante, car les titres évoquant une IA « lisant » la sévérité peuvent laisser entendre une fonction clinique que la recherche publiée n’établit pas.

Les chercheurs Umut Dundar et Alptekin Temizel ont développé DADD à la Middle East Technical University d’Ankara, en Turquie. L’acronyme signifie Disentangled Anatomy-Disease Diffusion. Leur modèle sépare les informations structurelles des textures liées à la maladie, puis génère une image correspondant à un Mayo Endoscopic Score demandé.

L’étude évaluée par les pairs sur DADD a été publiée en ligne le 18 août 2026 dans le Journal of Medical Imaging. Son résultat central n’est pas un système de diagnostic autonome. Elle montre que des images synthétiques contrôlables peuvent améliorer un classificateur de sévérité distinct lorsqu’elles sont ajoutées à des données d’entraînement réelles.

Cela place DADD dans une catégorie différente de systèmes tels que UC-SCALE, qui attribuent directement des scores de sévérité et de localisation à des images de coloscopie. La question centrale est de savoir si une progression synthétique de la maladie peut résoudre un problème persistant de données sans introduire de caractéristiques trompeuses sur le plan clinique.

Ce que le modèle DADD pour la rectocolite hémorragique a réellement changé

DADD transforme une vue endoscopique en versions synthétiques contrôlées de la sévérité de la maladie tout en essayant de maintenir la cohérence de la structure propre au patient.

La rectocolite hémorragique provoque une inflammation de la muqueuse du côlon. Les cliniciens utilisent l’endoscopie pour examiner des caractéristiques telles que les rougeurs, les saignements, les changements vasculaires, les érosions et les ulcères. Ces observations aident à déterminer l’activité de la maladie et à orienter les décisions thérapeutiques.

Le Mayo Endoscopic Score, ou MES, classe l’apparence endoscopique en quatre catégories ordonnées, de 0 à 3. Le MES 0 représente une maladie inactive, tandis que le MES 3 correspond à une inflammation sévère. Cette structure ordinale donne aux catégories une direction significative, contrairement à quatre étiquettes sans lien entre elles.

DADD utilise cette échelle ordonnée comme signal de contrôle. Un chercheur peut fournir une image d’endoscopie et demander une version synthétique associée à un autre niveau de sévérité. Le modèle modifie alors l’apparence liée à la maladie tout en cherchant à conserver l’anatomie et la composition de la source.

Cette tâche est plus difficile que de générer une image générique étiquetée « sévère ». La texture muqueuse et la structure anatomique occupent les mêmes pixels. Un encodeur d’image conventionnel peut donc mélanger l’anatomie propre au patient avec les signes de la maladie que le modèle est censé modifier.

DADD aborde ce problème avec des représentations distinctes pour l’anatomie et la sévérité. Sa voie anatomique commence par un encodeur d’images préentraîné. Un second plongement ordinal représente le niveau de maladie demandé.

Le système inclut également un purificateur de caractéristiques, qui utilise l’attention pour supprimer les canaux corrélés à la maladie dans la représentation anatomique. Le résultat visé est un signal structurel plus propre, contenant moins d’informations sur la sévérité existante de l’image source.

Un mécanisme d’attention croisée à triple voie fournit ensuite au réseau de diffusion l’anatomie purifiée, l’état pathologique cible et leur interaction. Le réseau achemine ces entrées différemment selon ses couches. Les caractéristiques profondes tendent à influencer la structure globale, tandis que les caractéristiques plus superficielles préservent les textures fines.

Le dernier composant majeur est le pilotage delta. Ce signal de contrôle sans entraînement décrit une direction entre les plongements de sévérité, par exemple le passage du MES 1 au MES 2. Il permet au modèle d’effectuer une transition explicite de la maladie en une seule passe de génération.

Le résultat se comprend mieux comme une visualisation contrefactuelle que comme un diagnostic. DADD demande à quoi pourrait ressembler une scène existante dans une autre condition de sévérité. Il n’établit pas le score qu’un clinicien devrait attribuer à un patient non observé auparavant.

Cette différence explique également la stratégie d’évaluation du projet. Les chercheurs ont mesuré si les images générées ressemblaient au degré demandé, si leur distribution visuelle se rapprochait de données réelles et si elles amélioraient l’entraînement d’un classificateur en aval.

Sur le jeu de données Labeled Images for Ulcerative Colitis, la version hiérarchique de DADD a atteint un kappa quadratique pondéré de 81,53 selon un évaluateur de régression, ainsi qu’une erreur quadratique moyenne de 0,46. Les images réelles évaluées dans le même cadre ont obtenu 83,28 de QWK et 0,47 de RMSE.

Le kappa quadratique pondéré mesure l’accord en pénalisant plus lourdement les erreurs ordinales importantes que les erreurs proches. Une prédiction confondant le MES 0 avec le MES 3 compte donc davantage qu’une confusion entre degrés adjacents.

Le modèle a également enregistré une distance de Fréchet inception de 27,20. La FID compare les caractéristiques statistiques d’ensembles d’images générées et réelles, des valeurs plus faibles indiquant généralement une plus grande similarité. Elle reste une métrique d’image indirecte, plutôt qu’une preuve de fidélité clinique.

Surtout, l’ajout d’images DADD a amélioré un classificateur en aval. L’entraînement sur données réelles seules a produit une précision de 74,84 % et un QWK de 83,14. L’ajout d’images synthétiques a porté ces mesures à 77,75 % et 85,77 %, respectivement.

L’augmentation est modeste, mais significative au regard de l’affirmation réelle de l’article. Les images synthétiques ont aidé à rééquilibrer les données d’entraînement et ont amélioré la classification dans le cadre expérimental de l’étude. Les chercheurs n’ont pas montré que DADD lui-même pouvait remplacer les endoscopistes ou les systèmes de notation clinique.

Pourquoi l’IA appliquée à la rectocolite hémorragique a besoin de meilleures données d’entraînement

La pression vient d’un jeu de données d’images médicales déséquilibré, et non d’un manque d’architectures de modèles.

Les cas sévères sont généralement moins fréquents que les exemples légers ou inactifs dans les jeux de données annotés. Ce déséquilibre peut apprendre à un classificateur à privilégier les catégories courantes tout en peinant face à des constatations rares mais importantes sur le plan clinique.

Les jeux de données médicaux font également face à des limites pratiques que ne rencontrent pas les collections d’images à l’échelle d’internet. Les images de coloscopie contiennent des informations de santé sensibles, nécessitent une annotation spécialisée et varient selon les patients, les équipements d’imagerie, les centres cliniques et la qualité de préparation.

Une image endoscopique peut contenir du flou, du liquide, des reflets, des instruments ou une vue incomplète de la muqueuse. Le motif visible peut aussi varier au sein du côlon d’un même patient. Une seule image ne capture donc qu’une partie d’un examen plus vaste.

Le jeu de données public LIMUC utilisé par DADD contient 11 276 images provenant de 564 patients. Ses étiquettes couvrent les quatre degrés de MES, mais leur répartition est déséquilibrée. Cela le rend utile pour la recherche tout en illustrant pourquoi l’augmentation des catégories rares reste attractive.

L’augmentation traditionnelle peut recadrer, retourner, faire pivoter ou ajuster la couleur d’une image réelle. Ces opérations augmentent la variété visuelle, mais elles ne créent pas une transition médicalement cohérente entre une maladie inactive et une maladie sévère.

Les modèles génératifs offrent une option plus ambitieuse. Ils peuvent essayer de produire de nouveaux exemples de saignements, d’ulcères, d’altérations des motifs vasculaires ou d’autres textures liées à la sévérité. Les chercheurs peuvent ensuite ajouter ces exemples aux classes sous-représentées.

Toutefois, une génération naïve crée un second problème. Un modèle pourrait modifier l’anatomie en même temps que la pathologie, produisant une scène différente plutôt qu’une progression plausible de la source. Il pourrait aussi reproduire des artefacts ou des corrélations présents dans le jeu d’entraînement.

DADD est conçu autour de ce conflit. Son architecture traite l’anatomie comme un élément à préserver et l’apparence de la maladie comme un élément à contrôler. Cela donne à ses exemples synthétiques un objectif expérimental plus clair qu’une génération générique conditionnée par classe.

L’approche exploite également la relation ordonnée entre les degrés de MES. Une progression de 0 à 1 diffère d’un saut entre des classes d’images sans lien. Le pilotage delta tente d’encoder ce changement directionnel plutôt que de demander au réseau d’apprendre chaque catégorie isolément.

Cette distinction est importante pour les développeurs d’IA. Un jeu de données synthétiques gagne en valeur lorsque les chercheurs savent quels facteurs le générateur doit préserver et lesquels il doit modifier. Sans cette séparation, l’augmentation peut discrètement accroître les mauvaises variations.

Pourtant, un meilleur équilibre entre les classes ne produit pas automatiquement un meilleur outil clinique. Les exemples synthétiques restent issus des hypothèses et des biais du jeu de données original. Ils ne peuvent pas introduire des populations de patients, des caractéristiques d’équipement ou des manifestations de la maladie absentes des données sources.

L’amélioration du classificateur de DADD a été mesurée dans le même environnement général de jeu de données que celui utilisé pour développer et évaluer la méthode. L’étude n’a pas rapporté d’essai clinique prospectif multicentrique ni d’utilisation en temps réel durant une coloscopie.

Le système reste donc soumis à une forme de pression familière. Il doit démontrer que la génération contrôlée ajoute une diversité médicalement utile, et non simplement des images correspondant au comportement de notation d’un autre modèle d’apprentissage automatique.

La question dépasse DADD. Une étude de classification endoscopique de 2022 a entraîné des réseaux convolutifs sur des images HyperKvasir et a rapporté une meilleure précision de 87,50 % pour la tâche sélectionnée. Ces travaux soulignaient également la variabilité de l’évaluation endoscopique et le caractère préliminaire des preuves concernant l’IA.

La recherche plus récente sur DADD déplace l’attention vers l’amont. Plutôt que d’introduire un autre classificateur autonome, elle cible les données d’entraînement consommées par les classificateurs. Son importance dépend de la capacité de cette intervention à se transférer entre établissements et familles de modèles.

Progression synthétique contre notation clinique directe

La principale confrontation oppose la génération d’exemples d’entraînement contrôlés à la notation directe d’images d’endoscopie réelles.

Les systèmes de notation directe répondent plus clairement à la question clinique. Ils traitent des images ou des vidéos réelles, attribuent une estimation de sévérité et cartographient parfois la répartition de l’inflammation dans le côlon.

DADD intervient à un autre niveau du flux de travail. Il produit des données synthétiques et des visualisations que d’autres systèmes peuvent utiliser. Sa sortie peut soutenir le développement de classificateurs, mais elle n’est pas présentée comme une décision clinique issue d’un nouvel examen.

Cette différence empêche une comparaison simple dans un classement. Le score FID d’un générateur et son bénéfice en matière d’augmentation ne répondent pas à la même question que l’accord d’un système diagnostique avec des lecteurs experts.

UC-SCALE offre un point de référence utile. Ce système comprend un filtre de qualité d’image, un composant de notation MES et un algorithme de localisation de la caméra. Il a été entraîné et testé sur 4 326 vidéos de sigmoïdoscopie issues d’essais de phase 3 sur l’étrolizumab.

L’évaluation publiée de UC-SCALE a rapporté un kappa de 0,80 par rapport à des lecteurs centraux au niveau des sections du côlon. Elle a également constaté des corrélations entre les sorties du système et des biomarqueurs, l’histologie, les évaluations des cliniciens et les résultats rapportés par les patients.

UC-SCALE évalue donc des examens réels et relie ses scores à plusieurs mesures cliniques. DADD évalue si les images générées préservent l’anatomie, représentent la sévérité demandée et renforcent un classificateur en aval.

Un autre système de 2026, AI-ESe, analyse des vidéos endoscopiques complètes en plusieurs étapes. Il vérifie la qualité de l’image, détecte les pauses de l’endoscope, estime la sévérité et crée une carte thermique de l’inflammation sur l’ensemble de l’examen.

Les résultats d’AI-ESe comprenaient un kappa pondéré quadratique de 0,80 pour l’évaluation de la sévérité. Son composant de détection des pauses a réduit le désaccord temporel absolu moyen dans les estimations de position, de 39 secondes à 23 secondes.

AI-ESe a également révélé une faiblesse de l’évaluation fondée sur la pire lésion. Parmi les vidéos auxquelles était attribué le sous-score maximal de l’endoscopie conventionnelle, la proportion de muqueuse modérément à sévèrement inflammée variait de 17,9 % à 100 %.

Cette amplitude signifie que deux examens peuvent partager le même grade maximal tout en présentant des charges inflammatoires totales très différentes. Les systèmes qui analysent l’étendue cherchent à préserver l’information perdue par un score unique de la zone la plus atteinte.

DADD ne résout pas le problème de l’étendue. Il fonctionne sur des images endoscopiques et produit des transitions visuelles contrôlées. Néanmoins, sa conception préservant l’anatomie répond à un besoin connexe : générer des changements liés à la maladie sans effacer l’identité de la scène observée.

Ces approches pourraient à terme se compléter. Un modèle de progression synthétique pourrait produire des exemples rares pour entraîner un système de scoring direct. Un modèle au niveau vidéo pourrait ensuite évaluer des séquences réelles à l’aide de représentations renforcées par ces exemples.

Cette combinaison reste hypothétique tant que des études indépendantes ne l’ont pas testée. L’amélioration du classificateur rapportée pour DADD ne démontre pas qu’il aidera UC-SCALE, AI-ESe ou un autre système commercial.

La différence entre génération et scoring façonne aussi le risque. Une erreur de scoring direct peut influencer l’interprétation de l’examen réel d’un patient. Un générateur introduit le risque plus tôt, en modifiant les données utilisées pour entraîner les systèmes ultérieurs.

Les erreurs en amont peuvent être plus difficiles à détecter. Si des images synthétiques contiennent un artefact récurrent associé à MES 3, un classificateur pourrait apprendre cet artefact au lieu d’une inflammation cliniquement pertinente.

Le même problème peut survenir lorsqu’une caractéristique générée semble plausible pour une métrique générale d’image, mais paraît erronée à un spécialiste des maladies inflammatoires chroniques de l’intestin. Le FID ne peut pas déterminer si un motif vasculaire, le bord d’un ulcère ou l’aspect d’un saignement est cliniquement cohérent.

Le juge de régression de DADD fournit une évaluation ordinale, mais il reste un évaluateur fondé sur un modèle. L’accord entre un générateur et un autre algorithme peut surestimer la qualité lorsque les deux systèmes héritent de biais similaires du jeu de données.

Pour les équipes d’IA médicale, l’enseignement pratique est précis. Le modèle DADD pour la rectocolite hémorragique est une méthode de génération de données présentant des résultats encourageants en aval. Il ne devrait pas être décrit comme un lecteur validé de la sévérité chez les patients.

Ce que les chiffres n’établissent pas

Les gains de DADD justifient des tests supplémentaires, mais ils n’établissent ni l’exactitude diagnostique, ni un bénéfice pour les patients, ni la sûreté d’un déploiement clinique.

Le chiffre pratique le plus solide de l’étude est l’augmentation de l’exactitude en aval, de 74,84 % à 77,75 %. Cela représente un gain de 2,91 points de pourcentage après l’introduction de données synthétiques dans l’entraînement du classificateur.

Son gain de QWK, de 83,14 à 85,77, suggère que le classificateur enrichi a également produit de meilleures prédictions ordonnées selon la sévérité. Cette métrique est utile car les erreurs MES ne sont pas toutes à la même distance clinique.

Pourtant, un seul jeu de données et un seul pipeline expérimental ne peuvent pas trancher la question de la généralisation. Un modèle peut s’améliorer sur une distribution familière tout en échouant sur des images issues d’un autre hôpital, d’un autre fabricant d’endoscopes, d’une autre population de patients ou d’un autre protocole d’annotation.

Les données LIMUC provenaient d’un seul contexte institutionnel en Turquie. Les auteurs de DADD sont également basés en Turquie, bien que le jeu de données public permette à d’autres chercheurs de reproduire et de contester ces travaux.

La validation externe nécessiterait des données délibérément différentes. Des tests utiles incluraient divers systèmes d’endoscopie, différentes qualités de préparation intestinale, groupes démographiques et profils inflammatoires. La vidéo devrait également compter, car l’endoscopie clinique n’est pas une collection d’images fixes indépendantes.

Le cadrage du modèle comme synthèse longitudinale exige une prudence similaire. DADD crée des images représentant différents niveaux de sévérité tout en préservant des aspects d’une image source. Il ne suit pas un patient au fil d’examens répétés et ne prédit pas l’évolution future de la maladie de cet individu.

Une image générée de cicatrisation est donc une hypothèse visuelle conditionnelle. Elle ne prouve pas qu’un traitement produira ce changement, ni ne prévoit à quel moment la cicatrisation surviendra.

Le contrôle MES limite également ce que le modèle représente. Le MES est largement utilisé, mais il compresse des constatations visuelles complexes en quatre catégories. La muqueuse sous-jacente peut varier considérablement au sein de chaque grade.

Des recherches établies sur le scoring ont documenté les divergences entre lecteurs. Les travaux ayant développé l’Ulcerative Colitis Endoscopic Index of Severity ont relevé des valeurs de kappa pondéré allant de 0,30 à 0,65 selon les descripteurs évalués et les comparaisons entre lecteurs.

Cette incertitude affecte les étiquettes utilisées pour entraîner les systèmes génératifs et discriminatifs. Un modèle ne peut pas séparer proprement l’anatomie et la maladie lorsque la définition sous-jacente de la sévérité comporte une variabilité entre observateurs.

Les données synthétiques peuvent également amplifier les hypothèses liées aux étiquettes. Si les images d’entraînement associent une caractéristique visuelle précise à un grade, le générateur peut reproduire ce lien même lorsque des spécialistes l’interpréteraient différemment dans un autre contexte.

Le purificateur de caractéristiques introduit une autre question ouverte. Il vise à retirer des jetons anatomiques les informations corrélées à la maladie. Les chercheurs doivent encore déterminer s’il retire aussi des détails structurels qui interagissent légitimement avec l’apparence de la maladie.

À l’inverse, certaines informations sur la maladie pourraient demeurer dans la représentation supposément purifiée. Cette fuite pourrait rendre le contrôle de la sévérité moins indépendant que prévu, notamment pour des transitions éloignées du grade source.

La similarité rapportée dans l’article entre les résultats du juge de régression pour les images générées et réelles est encourageante. Pourtant, les deux valeurs de RMSE, 0,46 pour les images générées et 0,47 pour les images réelles, ne signifient pas que les images synthétiques sont cliniquement équivalentes à des examens réels.

Le générateur nécessite également une évaluation experte centrée sur les modes de défaillance. Des spécialistes devraient vérifier si les ulcères, les modifications vasculaires, les saignements et les transitions de texture restent plausibles aux niveaux local et global.

Une étude de lecteurs pourrait comparer les images DADD à des images réelles en demandant aux cliniciens d’identifier la sévérité, de détecter les caractéristiques invraisemblables et d’évaluer l’utilité diagnostique. Le seul accord ne suffirait pas si les erreurs se concentraient près des seuils pertinents pour le traitement.

Les chercheurs devraient aussi vérifier si les classificateurs entraînés avec l’augmentation DADD s’améliorent sur des données réelles externes. C’est l’étape suivante la plus claire, car l’affirmation concernant l’augmentation est centrale dans ce travail.

Une étude prospective irait plus loin en figeant le modèle avant l’évaluation et en mesurant son effet sur des tâches cliniques prédéfinies. Une telle conception réduirait la possibilité d’ajuster le système à l’environnement de test.

Les questions réglementaires restent prématurées, mais inévitables. Un logiciel utilisé uniquement pour l’augmentation en recherche présente un profil de risque différent de celui d’un logiciel fournissant des informations diagnostiques propres à un patient.

Si les images générées par DADD finissent par intégrer un pipeline d’entraînement réglementé, les développeurs devront disposer de registres décrivant leur provenance et leur rôle. Ils auront également besoin de contrôles empêchant que des cas synthétiques entrent dans les dossiers cliniques comme s’il s’agissait d’images observées.

Aucune de ces lacunes n’invalide le résultat rapporté. Elles en définissent les limites. DADD montre qu’une diffusion attentive à l’anatomie peut créer des données expérimentales utiles, et non que l’endoscopie synthétique est prête à guider les soins.

Trois signaux qui détermineront l’importance de DADD

Les gains externes des classificateurs, l’évaluation par des spécialistes et les tests au niveau vidéo détermineront si DADD devient une infrastructure utile ou reste un résultat de référence prometteur.

Le premier signal est la performance sur un jeu de données externe d’images réelles. Les chercheurs devraient entraîner des classificateurs comparables avec et sans images DADD, puis figer les deux systèmes avant de les tester ailleurs.

Une amélioration reproductible renforcerait l’affirmation selon laquelle DADD apporte une variation utile liée à la maladie. Un gain qui disparaît hors de LIMUC suggérerait que le générateur renforce surtout sa distribution source.

L’analyse la plus informative distinguerait les résultats par grade MES. L’augmentation synthétique devrait aider les catégories rares qu’elle vise à rééquilibrer sans réduire les performances sur les catégories fréquentes.

La calibration compte également. Un classificateur peut gagner en exactitude tout en devenant trop confiant face à ses erreurs. Les applications médicales nécessitent des estimations de probabilité qui restent fiables à travers les populations et les changements d’équipement.

Le deuxième signal est une évaluation en aveugle par des spécialistes des maladies inflammatoires chroniques de l’intestin. Les évaluateurs devraient examiner la pathologie locale, la préservation anatomique, le réalisme des transitions et la présence d’artefacts de génération.

Cette étude devrait inclure des transitions adjacentes difficiles, telles que MES 1 vers MES 2. Ces frontières peuvent être plus ambiguës qu’un changement visuellement spectaculaire entre maladie inactive et maladie sévère.

Les spécialistes devraient également comparer DADD à une augmentation plus simple et à d’autres approches génératives. Une architecture complexe ne mérite sa place que si sa séparation entre anatomie et maladie produit un avantage mesurable.

Si les évaluateurs détectent systématiquement des caractéristiques impossibles ou trompeuses, le gain du classificateur devient moins convaincant. Cela pourrait indiquer que les modèles en aval tirent parti de raccourcis indisponibles ou inappropriés dans les images cliniques.

Le troisième signal est l’extension des images fixes à la vidéo complète et à l’étendue spatiale de la maladie. La coloscopie se déroule dans le temps, et les cliniciens interprètent des vues successives plutôt que des images isolées.

La vidéo introduit le mouvement, des vues répétées de la muqueuse, le flou, une illumination changeante et une vitesse d’examen variable. Un générateur qui fonctionne sur des images fixes peut produire du scintillement temporel ou une pathologie contradictoire lorsqu’il est appliqué image par image.

DADD aurait également besoin d’un moyen de préserver une anatomie cohérente tout au long d’une séquence. Chaque image générée devrait rester cohérente avec les images voisines et l’état de maladie demandé.

Les projets de scoring direct montrent pourquoi cela importe. AI-ESe détecte explicitement l’immobilisation de l’endoscope pour réduire le suréchantillonnage, tandis que UC-SCALE estime la position dans le côlon. Tous deux considèrent la structure vidéo comme faisant partie du problème de mesure.

Une extension vidéo réussie renforcerait la pertinence de DADD pour les pipelines de développement réels. L’incapacité à maintenir une cohérence temporelle limiterait son rôle aux expériences sur images fixes.

Ces tests ne devraient pas être remplacés par une autre métrique favorable de génération d’images. La promesse centrale est que la dissociation de l’anatomie et de la maladie produit de meilleures données d’entraînement médicales. La validation doit donc mesurer les performances, le réalisme et la transférabilité de ces données.

Pour les développeurs, DADD propose un modèle d’architecture utile. Séparez les facteurs qui doivent rester fixes de ceux que le modèle doit modifier, puis vérifiez si cette séparation améliore une tâche en aval.

Pour les cliniciens, le message immédiat est plus restreint. Le système ne fournit ni nouveau score de sévérité destiné aux patients, ni recommandation thérapeutique, ni pronostic.

Pour les patients, les images générées ne doivent pas être interprétées comme des prédictions de l’évolution personnelle de leur maladie. Elles représentent des apparences modélisées rattachées à une échelle à quatre niveaux.

Le modèle DADD pour la rectocolite hémorragique mérite l’attention car il cible un véritable goulot d’étranglement de l’IA médicale : des images étiquetées par des experts, rares et inégalement réparties. Ses premiers résultats montrent un bénéfice mesurable pour le classificateur et une forme plus claire de contrôle de la sévérité.

Les éléments décisifs doivent désormais provenir de données réelles que le modèle ne connaissait pas déjà. L’augmentation DADD améliorera-t-elle les classificateurs testés en externe, résistera-t-elle à l’évaluation en aveugle par des spécialistes et restera-t-elle cohérente en vidéo ? Ces trois résultats détermineront si la progression synthétique devient une infrastructure fiable d’imagerie médicale.