Une IA ordinaire 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, les patients atteints de la même maladie présentent des IRM presque identiques, et l'algorithme se trompe en confondant les « parents ».

La méthode MseaCL ajoute à l'apprentissage les comptes rendus textuels des médecins, 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 au niveau des 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 normalité pour une pathologie.

Au final, la précision de la détermination des sous-types de tumeurs a augmenté de 22,6 % par rapport aux méthodes habituelles. 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.