Une simple prise de sang peut-elle repérer une leucémie avant nous ?

Une prise de sang ordinaire livre déjà une multitude d’informations sur nos cellules sanguines. Mais certaines combinaisons de résultats échappent à l’œil humain, surtout lorsqu’elles ne correspondent pas à une anomalie spectaculaire. Des chercheurs entraînent désormais des intelligences artificielles à reconnaître ces signaux discrets. En France comme à l’étranger, les premières études suggèrent qu’elles pourraient accélérer l’orientation des patients chez qui une leucémie est suspectée. Reste une question décisive : détecter un signal signifie-t-il vraiment diagnostiquer plus tôt ?

Une prise de sang qui en dit plus qu’on ne le croit

La numération formule sanguine, ou NFS, fait partie des examens les plus courants. Elle mesure notamment les globules rouges, les globules blancs et les plaquettes. Le biologiste ne regarde pas seulement si un chiffre dépasse une limite : il interprète l’ensemble des résultats, les symptômes et, si nécessaire, l’aspect des cellules au microscope.

Une leucémie peut provoquer des anomalies franches : une anémie, une chute des plaquettes ou la présence de cellules immatures dans le sang. Mais les premiers signaux ne se présentent pas toujours sous une forme évidente. Certaines valeurs restent proches de la normale, tandis que leur association peut paraître inhabituelle.

C’est précisément là que les algorithmes trouvent un terrain d’exploration : non pas en inventant une nouvelle analyse sanguine, mais en apprenant à lire autrement des données déjà recueillies chaque jour dans les laboratoires.

En France, une IA pour orienter les leucémies aiguës

L’une des avancées les plus concrètes vient d’équipes hospitalières françaises. En 2024, des chercheurs ont publié dans The Lancet Digital Health les résultats d’AI-PAL, un modèle destiné à distinguer trois grands types de leucémies aiguës à partir de paramètres biologiques courants.

Le travail a réuni 1 410 patients atteints de leucémie aiguë dans six centres hospitaliers français. À partir d’un petit nombre de paramètres de laboratoire, le modèle a montré de bonnes capacités à différencier les leucémies aiguës myéloïdes, lymphoblastiques et promyélocytaires. Pour cette dernière forme, particulièrement urgente à reconnaître, l’aire sous la courbe atteignait 0,97 dans l’analyse rapportée.

Ce résultat est important, mais il faut comprendre ce qui a réellement été évalué : les patients inclus avaient déjà une leucémie diagnostiquée. L’étude cherchait surtout à savoir si l’IA pouvait orienter rapidement vers le bon sous-type, et non dépister une leucémie dans une population de personnes apparemment en bonne santé.

Une telle aide pourrait être précieuse lorsqu’une expertise spécialisée n’est pas immédiatement disponible. Elle ne dispense ni de l’examen des cellules, ni des analyses immunologiques et génétiques nécessaires pour confirmer et préciser le diagnostic.

En 2026, l’IA s’invite dans les analyses de routine

Une étude publiée en juillet 2026 dans npj Digital Medicine pousse l’idée plus loin. Les chercheurs ont développé LeukoAlert, un système exploitant 72 caractéristiques issues des numérations sanguines. L’évaluation a mobilisé plus de 446 000 résultats provenant de plus de 203 000 personnes dans sept centres.

Lors d’une évaluation prospective en conditions réelles portant sur 58 481 résultats non sélectionnés, le modèle a obtenu une aire sous la courbe de 0,969 pour distinguer les situations associées à une leucémie. Les auteurs rapportent notamment l’identification de cas passés inaperçus et de rechutes précoces dans des services non spécialisés.

L’aire sous la courbe, ou AUC, mesure la capacité d’un outil à distinguer deux groupes. Une valeur proche de 1 traduit une bonne discrimination dans l’étude, mais ne signifie pas que 96,9 % des leucémies seraient découvertes avant leurs premiers symptômes. Dans la vraie vie, les faux positifs, les faux négatifs et la fréquence de la maladie comptent tout autant.

L’enjeu n’est donc pas d’annoncer une leucémie sur la base d’un score, mais de signaler au biologiste les résultats qui méritent une vérification ou un examen complémentaire.

Voir ce que l’œil humain ne voit pas

L’IA ne s’intéresse pas uniquement aux chiffres. Les automates d’hématologie produisent aussi des informations sur les propriétés physiques des cellules. Et lorsqu’un frottis sanguin est réalisé, des milliers d’images peuvent être analysées pour rechercher des formes anormales.

En 2026, une équipe a décrit dans Nature Communications un système de microscopie assistée par IA, ALLocate, conçu pour automatiser une partie de la recherche de cellules suspectes à l’aide d’un équipement relativement accessible. D’autres travaux associent numération sanguine, images cellulaires et données biologiques pour améliorer l’orientation diagnostique.

Cette évolution change le rôle de la machine : elle ne se contente plus de compter. Elle peut repérer des motifs, hiérarchiser des anomalies et attirer l’attention sur quelques échantillons parmi des milliers. Le biologiste et l’hématologue restent indispensables pour interpréter ces alertes.

Pourquoi « avant nous » reste une promesse à démontrer

Repérer une leucémie quelques heures plus vite, reconnaître plus rapidement un sous-type urgent et découvrir une maladie plusieurs mois avant ses manifestations sont trois objectifs très différents. Les confondre conduirait à surestimer les résultats de la recherche.

Une étude internationale publiée en mars 2026 dans Nature Communications a testé des algorithmes sur 6 206 patients atteints de leucémie aiguë provenant de 20 centres. Elle a montré à la fois le potentiel de ces outils et les difficultés liées à leur généralisation : les performances varient selon les populations, et certains réglages très prudents conduisent à ne produire aucune prédiction pour une grande partie des patients.

Le défi est considérable pour un examen aussi répandu que la NFS. Si l’algorithme déclenche trop d’alertes, les laboratoires risquent de multiplier les examens inutiles et l’inquiétude des patients. S’il manque des cas, il peut créer une fausse réassurance. Et les données utilisées pour l’entraîner doivent représenter les différents âges, maladies associées et équipements de laboratoire.

Surtout, une leucémie aiguë peut évoluer rapidement. Un résultat sanguin normal à un moment donné n’exclut pas l’apparition ultérieure de la maladie. Aucun des modèles évoqués ici ne justifie aujourd’hui un dépistage systématique des leucémies chez les personnes sans symptôme.

Du signal informatique à la décision médicale

Pour le patient, la meilleure innovation serait peut-être invisible : une analyse prescrite pour une fatigue persistante, un résultat qui attire automatiquement l’attention du laboratoire, puis une vérification et une orientation plus rapides vers le bon spécialiste.

Cela suppose de tester les algorithmes dans les conditions réelles des soins, de mesurer leur effet sur les délais de diagnostic et de démontrer qu’ils améliorent effectivement la prise en charge. Il faut aussi prévoir qui reçoit l’alerte, qui la vérifie et comment éviter qu’elle ne se perde dans le flux des résultats.

L’intelligence artificielle ne transforme pas une prise de sang en boule de cristal. Elle peut en revanche révéler des associations que l’on ne savait pas exploiter et aider les professionnels à ne pas passer à côté d’un signal important. En hématologie, la prochaine révolution pourrait ainsi commencer dans un tube de sang déjà prélevé, à condition de ne jamais confondre prédiction et diagnostic.