Dans une étude randomisée menée auprès de 105 patientes atteintes d'un cancer du sein métastatique résistant, la sélection de traitements assistée par l'IA a permis d'obtenir des taux de réponse tumorale plus élevés, confirmant ainsi l'intérêt d'utiliser les caractéristiques biologiques de la tumeur pour identifier des thérapies après l'échec des traitements standards. Dans deux sous-groupes biologiques, les taux de réponse ont atteint 65 % et 70 %, contre 30 % et 20 % avec une chimiothérapie choisie par le médecin.

L’ essai LINUX, publié dans Cancer Cell, soutient l’appariement assisté par l’IA dans un contexte spécifique. Cependant, la réduction de la taille de la tumeur n’implique pas nécessairement une augmentation de la durée de vie des patients.

Une analyse d'essais randomisés et d'études observationnelles menées jusqu'en octobre 2026 révèle des progrès significatifs pour certains patients atteints de cancers difficiles à traiter. Elle met également en évidence un problème persistant d'attribution : de nombreux succès sont dus à la combinaison de tests moléculaires, de traitements efficaces et d'une interprétation experte. Ces études ne permettent pas de déterminer la part de bénéfice supplémentaire apportée spécifiquement par l'intelligence artificielle.

Ce que le processus d'appariement des traitements analyse réellement

L'oncologie de précision étudie les caractéristiques susceptibles d'expliquer la croissance d'un cancer ou sa résistance au traitement. Selon l' Institut national du cancer, les tests de biomarqueurs permettent d'identifier des modifications de l'ADN tumoral, de l'activité génique et des protéines, contribuant ainsi à orienter la thérapie. Ces tests peuvent être réalisés à partir de tissu tumoral ou, dans certains cas, de matériel d'origine cancéreuse circulant dans le sang. Une simple numération formule sanguine ne suffit pas à établir un profil moléculaire tumoral.

Les modifications tumorales acquises au cours de la vie diffèrent également des variations génétiques héréditaires, ce qui peut avoir des conséquences pour les apparentés. L'IA peut aider à classifier les images pathologiques, à interpréter des profils d'expression génique complexes ou à organiser les options de traitement. Les cliniciens doivent néanmoins prendre en compte la fonction des organes, les traitements antérieurs, l'état du patient et la disponibilité des médicaments. Certains systèmes de mise en correspondance utilisent des règles établies et des données probantes validées plutôt que l'apprentissage automatique ; qualifier systématiquement de « IA » toute recommandation informatisée masque la nature des tests réellement effectués.

Les essais randomisés montrent des avantages réels mais spécifiques

Dans l'étude LINUX, les patientes présentaient un cancer du sein hormono-dépendant et HER2-négatif ayant progressé après un traitement par inhibiteur de CDK4/6, une classe de médicaments utilisée pour ralentir la division des cellules cancéreuses. L'analyse histopathologique numérique assistée par intelligence artificielle a permis de classer les tumeurs en quatre sous-types biologiques. Les chercheurs ont randomisé 70 patientes pour recevoir un traitement spécifique à leur sous-type et 35 pour recevoir une chimiothérapie choisie par leur médecin. Le critère d'évaluation principal était la réduction tumorale mesurable.

Les résultats confirment la stratégie thérapeutique, mais chaque sous-type comprenait peu de patients. Des effets indésirables graves liés au traitement sont survenus chez 37 % des patients des deux groupes. Point crucial, l'essai a modifié à la fois la stratégie guidée par la classification et les médicaments administrés aux patients. Il n'a pas comparé un système d'IA à une équipe d'experts choisissant parmi des traitements identiques, et des taux de réponse plus élevés ne permettent pas d'établir une survie globale plus longue.

Des preuves plus solides en faveur d'un ralentissement de la progression proviennent de l'étude CUPISCO, une étude de phase 2 randomisée, sponsorisée par Roche, portant sur des cancers primitifs de mauvais pronostic, lorsque le site tumoral initial ne peut être identifié. Sa mise à jour de septembre 2026 a inclus 436 patients dont la maladie était contrôlée après trois cycles de chimiothérapie. Le traitement guidé par une approche moléculaire a permis d'obtenir une survie sans progression médiane de 6,1 mois, contre 4,4 mois avec la poursuite de la chimiothérapie. La survie sans progression mesure le délai avant l'aggravation de la maladie ou le décès, et non la durée de vie totale. La survie globale était de 15,2 mois contre 12,8 mois, mais cette différence n'a pas atteint le seuil de signification statistique conventionnel : le rapport de risque était de 0,79 (intervalle de confiance à 95 % : 0,61–1,02). Ceci établit un bénéfice en termes de contrôle de la maladie dans une population définie, et non un gain de survie spécifique à l'inhibiteur de l'aromatase.

Le cancer du pancréas illustre à la fois l'espoir et l'incertitude

Le cancer du pancréas constitue un cas d'étude particulièrement pertinent, car les options thérapeutiques sont limitées et le pronostic reste sombre. Une analyse de 2020 du registre » a révélé une survie globale médiane de 2,58 ans chez 46 patients ayant reçu un traitement adapté à leurs altérations moléculaires exploitables, contre 1,51 an chez 143 patients présentant les mêmes altérations mais ayant reçu un traitement non adapté. Bien que la différence observée soit significative, l'étude était rétrospective et le traitement n'était pas randomisé.

Les patients pouvant bénéficier de médicaments compatibles peuvent présenter des différences en termes de condition physique, d'accès aux soins spécialisés et de possibilités de traitement ultérieur. Les comparaisons statistiques ne permettent pas d'éliminer systématiquement toutes ces différences. Le registre confirme l'intérêt de la compatibilité moléculaire comme approche prometteuse pour certains patients ; il ne permet toutefois pas de démontrer qu'un algorithme de compatibilité a permis un gain d'une année de vie ni que ce résultat s'applique à tous les cancers du pancréas.

Une étude d'intelligence artificielle (IA) de juin 2026 a analysé 2 202 échantillons de tumeurs pancréatiques à l'aide de données d'expression génique et de résultats de traitement. Dans un sous-groupe à risque standard prédit comme favorable à la chimiothérapie FOLFIRINOX, les patients ayant reçu ce protocole ont survécu en médiane 16,0 mois, contre 9,9 mois pour ceux traités par gemcitabine et nab-paclitaxel. Il s'agissait de prédictions rétrospectives, et non des résultats d'une attribution prospective du traitement par IA. Les chercheurs ont reconnu l'absence de certaines variables cliniques, notamment l'état général et les résultats de laboratoire. Plusieurs auteurs étaient affiliés à Caris Life Sciences, la société de profilage fournissant la base de données. Ces résultats justifient des essais prospectifs plutôt que d'affirmer que le déploiement du modèle prolonge déjà la vie.

Tester des cellules cancéreuses vivantes peut révéler des options négligées

Une approche différente consiste à tester directement des médicaments sur les cellules cancéreuses d'un patient. L' étude EXALT, publiée en ligne en 2021 et dans Cancer Discovery en 2022, a examiné des cancers du sang agressifs après l'échec des traitements standards. Son protocole de laboratoire a permis d'exposer les cellules à de nombreux médicaments, d'utiliser la microscopie automatisée et un contrôle de la qualité des images basé sur l'apprentissage automatique, et de présenter les résultats à une équipe multidisciplinaire de cancérologie.

Sur 143 patients testés, 56 ont reçu le traitement recommandé et ont constitué le groupe d'analyse principal. Parmi ces 56 patients, 30 (soit 54 %) sont restés sans progression pendant une durée au moins 1,3 fois supérieure à celle observée sous leur traitement précédent. Ceci témoigne d'un bénéfice au niveau du patient, et non d'une simple prédiction plus précise. Cependant, l'étude EXALT était une étude à un seul bras utilisant le traitement antérieur de chaque patient comme comparateur. Les biais de sélection et les différences entre les lignes de traitement limitent la possibilité de tirer des conclusions causales, et l'étude n'a pas permis d'isoler la contribution de l'apprentissage automatique de celle des analyses de laboratoire et du jugement clinique.

Une correspondance biologique plausible ne suffit pas

Les résultats négatifs permettent de comprendre pourquoi l'adaptation du traitement n'a pas été bénéfique à tous les patients. Dans l' essai randomisé SHIVA, les thérapies ciblées moléculaires utilisées en dehors de leurs indications établies n'ont pas amélioré significativement la survie sans progression par rapport au traitement choisi par le médecin chez les patients atteints d'un cancer avancé fortement prétraité. La survie médiane sans progression était de 2,3 mois contre 2,0 mois. L'identification d'une altération et la découverte d'un médicament ciblant la même voie n'ont pas systématiquement conduit à un bénéfice clinique.

Une étude australienne de 2026 portant sur 3 383 patients atteints de tumeurs solides rares ou réfractaires a confirmé l’importance de la qualité des données probantes. Chez les patients traités présentant des biomarqueurs étayés par des preuves cliniques plus solides, un traitement adapté était associé à une survie globale médiane de 21,2 mois, contre 12,8 mois pour un traitement non adapté. Le rapport de risque ajusté était de 0,60. Un traitement adapté fondé sur des données plus faibles, extrapolées à d’autres types de cancer, n’a pas démontré le même avantage en termes de survie. Cette étude étant observationnelle, l’association reste susceptible d’être influencée par des facteurs de confusion résiduels.

Une meilleure information ne modifie pas nécessairement l'accès aux essais cliniques. Un essai randomisé mené en 2025 par le Dana-Farber Cancer Institute auprès de 20 707 patients a utilisé l'IA pour identifier les risques de progression du cancer et informer les oncologues des essais cliniques correspondant à leur profil génomique. Le taux d'inclusion était de 2,20 % avec les notifications contre 2,03 % sans, une différence non significative. Au-delà de la simple mise en relation des patients, les critères d'éligibilité, le calendrier et l'organisation du travail clinique sont restés des obstacles.

Le prochain test consiste à tirer profit de l'utilisation du système

La conclusion la plus plausible est que l'adaptation des traitements biologiques a amélioré la réponse tumorale et le contrôle de la maladie dans certains cancers difficiles à traiter, des données observationnelles confirmant également une survie prolongée dans certaines populations. L'IA commence à contribuer à l'efficacité des stratégies thérapeutiques. Les données analysées ne permettent pas d'établir que l'IA améliore systématiquement la survie dans les cancers difficiles à traiter, ni que son ajout surpasse systématiquement l'expertise d'une équipe multidisciplinaire de biologie moléculaire.

Les prochaines études décisives devront tester prospectivement un système d'IA fixe par rapport aux soins habituels appropriés, mesurer la survie, les symptômes, la qualité de vie et la toxicité, et recenser tous les participants au protocole de test. Elles devront également indiquer qui reçoit effectivement le médicament recommandé. Un système pertinent doit être validé à chaque étape, depuis l'obtention d'un échantillon adéquat jusqu'à l'accès au traitement ; une prédiction seule ne peut démontrer un bénéfice pour le patient.