L'IA peut-elle détecter certaines maladies en analysant des images de visages ?

Les systèmes d'IA actuels peuvent extraire des signaux suggestifs à partir de photographies du visage — changements de texture, asymétrie, pigmentation et gonflement subtil — qui sont corrélés avec certains troubles métaboliques, cardiaques et endocriniens, mais ces indices ne sont pas spécifiques à une maladie et se chevauchent souvent avec des variations normales ou d'autres affections. Des groupes de recherche ont rapporté des précisions modestes (souvent 60–80 % d'AUC) pour détecter des maladies telles que le diabète, l'insuffisance rénale chronique ou la maladie coronarienne, en s'appuyant sur de grands ensembles de données et des modèles d'apprentissage profond entraînés sur des dizaines de milliers d'images étiquetées. Étant donné que les biomarqueurs faciaux sont indirects et influencés par l'âge, le sexe, l'éclairage et l'ethnie, cette technologie reste expérimentale et n'est pas approuvée pour un diagnostic clinique. Elle est actuellement utilisée principalement dans des contextes de recherche et comme outil de dépistage complémentaire plutôt que comme norme diagnostique.

— Enriched 13 mai 2026 · Source : Nature Medicine

Background

Artificial-intelligence systems can extract suggestive facial cues—texture changes, asymmetry, pigmentation shifts and subtle swelling—that correlate with metabolic, cardiac and endocrine disorders, but these biomarkers overlap with normal variation and other conditions. Reported accuracies for diseases such as diabetes, chronic kidney disease and coronary artery disease typically range from 60 % to 80 % AUC, relying on large labeled datasets and deep-learning models trained on tens of thousands of images.

Facial phenotyping has been explored as a non-invasive, low-cost screening approach for genetic and neurodegenerative disorders. Convolutional neural networks have improved detection of conditions such as Down syndrome, DiGeorge syndrome, Parkinson’s disease and Alzheimer’s disease in research settings. However, facial traits are heavily influenced by age, sex, lighting and ethnicity, and published results remain investigational; the technique is not approved for clinical diagnosis and is currently used mainly in research and as an adjunctive screening tool rather than a diagnostic standard.

Sources: Nature Medicine; National Institutes of Health (enriched May 13, 2026).