Le Cancéropôle Île-de-France et le Comité Scientifique d’Organisation composé de Jean-Charles Cadoret (Institut Jacques Monod), Marc Deloger (Gustave Roussy), Pierre Gestraud (Institut Curie), Lorette Noiret (Sorbonne Université) et Nicolas Servant (Institut Curie) ont organisé le 21/05/2026 une journée méthodologique consacrée aux usages de l’intelligence artificielle dans la recherche sur le cancer.
Chercheurs, cliniciens, biologistes, informaticiens et spécialistes de la science des données y ont présenté les opportunités offertes par l’IA pour (i) l’analyse d’images biomédicales, (ii) l’exploitation des données omiques et (iii) l’utilisation des grands modèles de langage (LLM) en recherche et en santé.
Les différents intervenants ont abordé également les limites actuelles de ces technologies ainsi que les enjeux méthodologiques, éthiques, réglementaires et sociétaux associés à leur déploiement.

Introduction

Charlotte Richard, Cancéropôle IDF et Jean-Charles Cadoret, Université Paris Cité, Institut Jaques Monod – diaporama

Charlotte Richard, responsable de mission, présente les activités du Cancéropôle, qui vise à structurer et animer le réseau de recherche en cancérologie en soutenant des projets innovants, des formations et des actions collaboratives. Depuis plus de dix ans, cet accompagnement des chercheurs se traduit notamment par le développement de formations, de MOOCs et de journées méthodologiques dédiés aux nouvelles technologies. Jean-Charles Cadoret, professeur, souligne ensuite l’importance croissante de l’intelligence artificielle dans la recherche biomédicale ainsi que la nécessité de développer les compétences, les infrastructures et les collaborations associées. Consacrée aux usages de l’intelligence artificielle en recherche sur le cancer, cette journée a pour objectif de sensibiliser la communauté scientifique à ses opportunités, ses limites et ses applications concrètes, tout en favorisant les échanges entre experts et chercheurs.

Outils d’I.A. pour l’Imagerie

Animation : Jean-Charles Cadoret, Institut Jacques Monod et Marc Deloger, Gustave Roussy

Intelligence Artificielle et Pathologie : Opportunités et Obstacles

Julien Calderaro, Hôpitaux Universitaires Henri Mondor-Albert Chenevier, MINTHep Group – diaporama

Julien Calderaro, Pathologiste et PU-PH à l’AP-HP Henri-Mondor, présente les applications de l’intelligence artificielle pour l’analyse d’images histologiques en anatomopathologie. Il montre comment ces outils permettent d’assister le diagnostic de certains cancers, de développer de nouveaux biomarqueurs numériques et de prédire la réponse à certains traitements à partir de lames histologiques numérisées, notamment dans le cancer du foie. Il met également en avant les progrès réalisés dans l’interprétation des modèles grâce à leur validation par des approches biologiques telles que la transcriptomique spatiale. Toutefois, il souligne plusieurs défis liés à l’intégration des solutions d’IA dans les systèmes hospitaliers, à leur coût, à leur validation réglementaire et à leur déploiement pour des cancers plus rares. Enfin, il plaide pour le développement de modèles d’IA encadrés et adaptés aux besoins de la pratique clinique afin d’étendre ces avancées à l’ensemble de la pathologie numérique..

Voir l’invisible : comment l’IA pourrait aider à améliorer la sélection des traitements, leur mise en œuvre et le pronostic

Nikos PARAGIOS, CentraleSupélec, Therapanacea – diaporama

Nikos Paragios, professeur à CentraleSupélec et fondateur de Therapanacea, présente les avancées de l’intelligence artificielle appliquée à l’imagerie médicale et à la radiothérapie en oncologie. Il montre comment ces approches permettent d’améliorer le dépistage précoce du cancer du poumon, l’analyse automatisée d’images médicales, la prédiction de la réponse aux traitements et la personnalisation des parcours de soins. À travers plusieurs projets de recherche et applications cliniques, il illustre les gains de précision et d’efficacité rendus possibles par l’IA, notamment pour l’interprétation des examens d’imagerie et la planification des traitements en radiothérapie. Il souligne toutefois plusieurs défis majeurs, parmi lesquels la qualité et l’accès aux données, la standardisation des pratiques médicales, les biais algorithmiques, la généralisation des modèles à différents contextes cliniques et les enjeux d’équité et d’explicabilité. Enfin, il insiste sur l’importance d’une collaboration étroite entre cliniciens, biologistes et spécialistes de l’IA afin de développer des outils robustes, fiables et utiles à la pratique médicale.

L’I.A. pour les analyses omiques

Animation : Lorette Noiret, Sorbonne Université et Pierre Gestraud, Institut Curie

Promesses et défis de l’apprentissage statistique pour la génomique

Chloé-Agathe AZENCOTT, Mines Paris-PSL, Institut Curie & Inserm – diaporama

Chloé-Agathe Azencott, professeure au Centre de Biologie Computationnelle (CBIO) de Mines Paris-PSL, de l’Institut Curie et de l’Inserm, et chercheuse à PRAIRIE-PSAI, présente les applications du machine learning à l’analyse des données omiques, en particulier en génomique et épigénomique. Elle met en avant les avancées récentes permises par les modèles de fondation et l’apprentissage autosupervisé, qui permettent d’exploiter de très grandes quantités de données biologiques pour améliorer la détection du cancer, l’identification de biomarqueurs et la prédiction de l’impact de variants génétiques. Elle souligne toutefois plusieurs défis majeurs, notamment la taille souvent limitée des cohortes, la difficulté à généraliser les modèles à de nouvelles populations et l’écart entre performance prédictive et compréhension des mécanismes biologiques sous-jacents. Elle insiste également sur les limites actuelles des méthodes d’explicabilité et sur la nécessité de mieux quantifier l’incertitude associée aux résultats obtenus. Enfin, elle plaide pour le développement de modèles plus robustes et interprétables afin de renforcer la fiabilité des approches d’IA en recherche biomédicale.

scPRINT-2 : Towards the next-generation of cell foundation models and benchmark

Jérémie KALFON, Institut Pasteur – ML4IG & ENS Ulm – CSD – diaporama

Jérémie Kalfon, chercheur en intelligence artificielle et biologiste computationnel, présente les travaux qu’il a mené durant son doctorat à l’ENS et à l’Institut Pasteur sur les modèles de fondation appliqués aux données de single-cell RNA-seq. Inspirés des architectures de type Transformer utilisées pour les grands modèles de langage, ces modèles permettent d’apprendre des représentations cellulaires à grande échelle afin de mieux caractériser les états cellulaires, prédire des types cellulaires et explorer les réseaux de régulation génique. À travers le modèle scPRINT, développé au cours de sa thèse, il montre comment l’intégration de connaissances biologiques améliore les capacités de généralisation à de nouveaux jeux de données, espèces ou modalités comme la transcriptomique spatiale. Il souligne toutefois que ces approches restent limitées par la qualité, la diversité et la représentativité des données disponibles, ainsi que par la difficulté à interpréter les mécanismes appris par les modèles. Enfin, il identifie comme défis majeurs l’évaluation rigoureuse des modèles de fondation, l’intégration de données multi-échelles et le développement d’outils capables de produire des connaissances biologiques réellement exploitables pour la recherche et la découverte thérapeutique.

Les LLM appliqués à la Cancérologie

Animation : Jean-Charles Cadoret, Institut Jacques Monod et Nicolas Servant, Institut Curie

Modèles de fondation et IA agentique pour l’oncologie de précision: état des lieux et défis

Hakim BENKIRAME, CDS, CentraleSupélec – diaporama

Hakim Benkirane, maître de conférences à CentraleSupélec et chercheur au sein de l’IHU PRISM en collaboration avec Gustave Roussy, présente les modèles de fondation, les grands modèles de langage (LLM) et leur potentiel pour la médecine de précision en oncologie. Il montre comment ces approches permettent d’exploiter des données complexes et hétérogènes, depuis les données cellulaires et tissulaires jusqu’aux dossiers patients, et illustre plusieurs avancées récentes telles que les modèles de fondation en spatial omics, en histopathologie ou encore les systèmes d’IA agentique capables d’orchestrer différentes sources d’information médicales. Il souligne que ces outils ouvrent de nouvelles perspectives pour la reclassification des cancers et l’aide à la décision clinique. Toutefois, leur développement se heurte à plusieurs défis majeurs, notamment l’intégration de données multimodales, la gestion des données manquantes, l’évaluation rigoureuse des modèles et l’extraction fiable des connaissances issues de la littérature scientifique. Enfin, il insiste sur l’importance de l’explicabilité et sur la nécessité de combiner approches fondées sur les données et connaissances expertes afin de garantir des modèles robustes et interprétables en pratique clinique.

L’approche agentique en santé : combiner LLMs, modèles d’IA spécialisés et données de patients pour accélérer la recherche de nouveaux traitements

Yacine BARECHE, Owkin – diaporama

Yacine Bareche, senior product manager chez Owkin, présente l’utilisation des grands modèles de langage (LLM) et des approches agentiques pour accélérer la découverte de médicaments en oncologie. Il décrit la plateforme AI Scientist Kpro développée par Owkin, qui combine des LLM spécialisés en biologie, des agents capables d’interroger la littérature scientifique, les essais cliniques ou les brevets, ainsi que des modèles experts exploitant des données multimodales issues de cohortes de patients. Parmi les avancées présentées figurent l’identification de nouvelles cibles thérapeutiques, la découverte de biomarqueurs, la sélection de sous-populations de patients et l’optimisation du développement d’anticorps conjugués. Il souligne toutefois plusieurs défis majeurs, notamment la nécessité de disposer de données harmonisées et de haute qualité, l’intégration de sources d’information très hétérogènes, ainsi que l’évaluation de la fiabilité des raisonnements produits par les LLM et les systèmes agentiques. Enfin, il met en avant l’importance de développer des outils transparents, auditables et reproductibles pour renforcer leur utilisation dans la recherche biomédicale et la médecine de précision.

Table Ronde :
Enjeux, Challenges et Intégration dans l’écosystème

Animation : Lorette Noiret, Sorbonne Université, Nicolas Servant, Institut Curie et Marc Deloger, Gustave Roussy

Stéphanie ALLASSONNIERE, Université Paris Cité, PR[AI]RIE; Isabelle BLANC, Direction du Numérique, Institut Curie; Sarah WATSON, Département Drug Development and Innovation (D3I) et équipe RACER (INSERM U1339/CNRS UMR3666), Institut Curie et Raphael COUSIN, SCAI Sorbonne Université

Lors de cette table ronde, Sarah Watson, Stéphanie Allassonnière, Isabelle Blanc et Raphaël Cousin ont souligné que le succès d’un projet d’IA en santé repose avant tout sur l’identification d’un besoin clinique réel et sur une collaboration étroite entre médecins, mathématiciens, data scientists et experts de la donnée. Ils ont insisté sur les défis liés à la qualité, au partage et à la structuration des données, ainsi que sur la nécessité de construire des infrastructures mutualisées capables de soutenir le développement et le déploiement des outils d’IA à grande échelle.
Les échanges ont également mis en évidence les nombreuses interrogations réglementaires et éthiques entourant l’utilisation de l’IA en pratique clinique, notamment concernant le marquage des outils, la responsabilité médicale, la validation des dispositifs par des essais adaptés à leur cycle d’évolution rapide.
Les intervenants ont souligné que l’IA apporte déjà un bénéfice concret, notamment pour l’aide au diagnostic ou l’automatisation de tâches chronophages, mais que son impact doit être évalué de manière rigoureuse afin de démontrer sa valeur médicale et médico-économique.
Ils ont par ailleurs rappelé l’importance des collaborations interdisciplinaires et interinstitutionnelles, ainsi que du partage des données et des ressources, pour limiter les biais, améliorer la robustesse des modèles et favoriser leur adoption dans les établissements de santé.
Enfin, la mise à l’échelle repose sur la formation des professionnels, des cadres réglementaires mieux adaptés, une meilleure gouvernance des données et une approche où l’éthique est considérée comme un levier d’innovation au service des patients plutôt que comme un frein.