Une IA classique regarde les images médicales comme des puzzles faits de pièces inconnues : elle considère que deux images non appariées sont complètement différentes. C'est comme essayer de distinguer des jumeaux sans connaître leur lien de parenté. Or, en médecine, des patients atteints de la même maladie présentent des IRM presque identiques, et l'algorithme se trompe en confondant les « parents ».
La méthode MseaCL intègre les comptes rendus textuels des médecins dans l'apprentissage, créant ainsi un « album de famille » pour l'IA. Désormais, chaque paire d'images reçoit une légende : similaires ou non sur le fond, et pas seulement sur les pixels. Auparavant, les liens cachés passaient inaperçus — comme la matière noire en astrophysique — mais maintenant l'algorithme les voit.
Étonnamment, pour les images pédiatriques, il a fallu tenir compte de l'âge : le cerveau de l'enfant se développe activement, et sans cela, l'IA aurait pu prendre une norme pour une pathologie.
Au final, la précision de la détermination des sous-types de tumeurs a augmenté de 22,6 % par rapport aux méthodes classiques. Désormais, le diagnostic dépend moins de l'incertitude, et l'IA est devenue une aide fiable pour les pédiatres. Cette approche, telle une prisme spectroscopique, a décomposé la maladie en variantes claires.
La méthode MseaCL a été entraînée sur des données d'enfants dont le cerveau est encore en plein développement, et l'IA doit tenir compte des changements liés à l'âge pour ne pas confondre une norme avec une pathologie.