DeepGEM 2.0 a été présenté le 10 octobre 2026 à Canton : le Centre national de médecine respiratoire du premier hôpital affilié de l'Université médicale de Canton a lancé, avec KingMed Diagnostics, ce grand modèle multimodal de pathologie et de prédiction génétique pour le cancer du poumon, développé avec l'équipe de l'académicien Zhong Nanshan. Il ne prétend pas remplacer le diagnostic. Il s'attaque au goulot situé juste avant : le test génétique des patients atteints d'un cancer du poumon coûte cher, prend du temps, et beaucoup d'hôpitaux de proximité n'ont tout simplement pas les moyens de le réaliser. Le modèle prend en entrée l'image numérique d'une lame de pathologie de routine et rend, en une minute au plus vite, une prédiction de risque de mutation pour douze gènes cibles, indiquant aux médecins quelle piste mérite d'être creusée en premier.
Quelle étape il supprime
Une thérapie ciblée du cancer du poumon commence par l'identification de la mutation conductrice portée par la tumeur. Les deux voies actuelles sont pénibles. Le test séquentiel gène par gène commence par EGFR et descend la liste, certains cas attendant un mois. Les grands panels de séquençage de nouvelle génération balayent des centaines, voire des milliers de gènes d'un coup, pour un coût allant de quelques milliers à environ 20 000 yuans, alors que la plupart des patients ne portent qu'une ou deux mutations conductrices. DeepGEM 2.0 se place en amont des deux, comme un pré-tri. Les images de lames existent déjà comme produit courant de la pathologie, aucun prélèvement supplémentaire n'est requis. Les patients classés à forte probabilité passent directement, à proximité, à une confirmation ciblée par PCR ou immunohistochimie ; les faibles probabilités relèvent alors d'un grand panel ou d'options non ciblées. On remplace « tout tester d'abord » par « calculer d'abord, tester précisément ensuite ».
De six cibles à douze
La génération précédente prédisait six gènes — EGFR, KRAS, ALK, ROS1, TP53 et LRP1B — après que l'équipe a dégagé, à partir de plus de 8 000 échantillons de pathologie, des correspondances entre image et génétique. La version 2.0 ajoute BRAF, ERBB2, FGFR, MET, NTRK et RET, soit douze au total, couvrant l'ensemble des gènes cibles des thérapies ciblées du cancer du poumon actuellement approuvées en Chine. La précision de prédiction annoncée atteint jusqu'à 90 %. En associant ce pré-tri par IA à une confirmation ciblée, les développeurs estiment que le coût global du test génétique pourrait descendre dans une fourchette de quelques centaines de yuans — non parce que le séquençage lui-même devient moins cher, mais parce que tant de balayages complets à l'aveugle sont éliminés en amont.
Le vrai terrain, ce sont les hôpitaux de proximité
L'enjeu ne se situe pas dans les grands centres, mais dans les hôpitaux de district et de préfecture, où la capacité de séquençage manque : les patients sont soit transférés vers le haut en attendant le résultat de typage, soit orientés vers une chimiothérapie qui leur fait manquer la fenêtre des thérapies ciblées. Le pré-tri n'exige que des lames numérisées et de la puissance de calcul ; le triage peut se faire sur place. Cela rejoint la trajectoire récente de l'IA médicale : AMIE de Google a intégré le diagnostic différentiel à de vrais parcours de consultation dans une étude du Lancet. La compétition se déplace de « le modèle répond-il juste » vers « tient-il dans une chaîne de soins réelle, en économisant du temps et de l'argent aux patients ».
Un pré-tri n'est pas un diagnostic
Les 90 % sont un maximum, pas une moyenne que chaque cible et chaque hôpital atteindront ; les effectifs d'échantillons varient fortement selon les cibles, et les prédictions sur les cibles rares demandent davantage de données réelles. Le pré-tri ne remplace pas non plus le test de confirmation : un résultat à forte probabilité doit être vérifié de façon ciblée, et un résultat faible ne doit jamais valoir preuve d'absence de mutation, car c'est le patient qui paie une erreur. Les développeurs décrivent eux-mêmes la suite sans détour : transformer ce résultat en produit et le diffuser dans les soins de proximité. Trois points seront à surveiller : la publication des précisions par gène, la validation du modèle dans des hôpitaux extérieurs, et la baisse réelle du coût total dans la facturation lorsque pré-tri et confirmation sont combinés. En attendant, DeepGEM 2.0 se lit comme une amélioration du pré-tri, avec un parcours clinique clair, et non comme un substitut au test génétique.
