Le Data Challenge VisioMel

Lancé en mars 2023, le Data Challenge VisioMel est une compétition internationale en science des données organisée par la Société Française de Pathologie, la Société Française de Dermatologie, le Groupe de Cancérologie Cutanée et le Conseil National Professionnel des Pathologistes. Son objectif est de développer des algorithmes permettant de prédire la récidive à cinq ans des patients atteints de mélanome diagnostiqué à des stades précoces. 
Près de 550 équipes du monde entier ont été mises en concurrence pour développer le modèle d’IA le plus performant dans la détermination d’une probabilité de récidive de mélanome pour chaque patient. 

La compétition s’est basée sur l’analyse d’une base de données inédite de près de 2 000 images de lames histologiques d'exérèse de mélanome associées à des données cliniques. Près de 640 algorithmes ont été soumis par les participants. Les meilleurs modèles montrent une capacité à détecter 73 % des cas de rechute et identifié 75 % des cas “sans rechute”.

Les modèles des lauréats sont disponibles en open source et référencés dans la BOAS et les données mobilisées sont accessibles en open data sur la plateforme data.gouv.

Ce challenge a été organisé dans le cadre de l’Appel à Manifestation d'Intérêt "Data Challenge en santé" et a bénéficié d’un soutien financier du plan France 2030 et d’un accompagnement par le Health Data Hub.

VisioMel : zoom sur la question médicale
 

Le mélanome est un cancer de la peau, ou plus rarement des muqueuses, se développant à partir des cellules pigmentaires. Le diagnostic initial repose sur l’examen au microscope de l’exérèse (ablation complète) du mélanome. En posant le diagnostic, le médecin pathologiste évalue la gravité des lésions et le risque de rechute en analysant notamment l’épaisseur de la tumeur et la présence d’ulcération. Ces données, associées à des données cliniques du patient, aident le dermatologue à adapter la prise en charge du patient selon la sévérité du mélanome. Des traitements préventifs peuvent être administrés aux patients présentant une forte probabilité de rechute. Cependant, ces traitements sont coûteux et exposent les patients à une toxicité médicamenteuse importante.

L'évaluation du risque de rechute est donc une tâche vitale mais difficile. Pour y remédier, la Société Française de Pathologie, le Groupe de Cancérologie Cutanée appartenant à la Société Française de Dermatologie  et le Conseil National Professionnel des Pathologistes ont lancé le challenge VisioMel dans le but d’assister grâce à l’IA les praticiens du monde entier dans la prédiction de la récidive des mélanomes.

Une base de données unique de lames histologiques de mélanome 

Plus de 25 centres hospitaliers et 40 laboratoires francophones d'anatomie pathologique  ont participé à la constitution d'une base de données de près de 2 000 patients. Cette base est composée d’images de lames histologiques d'exérèse de mélanome annotées par des experts et associées à des données cliniques issues de la base de données nationale du Réseau national pour la Recherche et l'Investigation Clinique sur le Mélanome (RIC-Mel). 

Cette base de données a été mise à disposition sur la plateforme en ligne Driven Data pour une durée de 7 semaines, permettant ainsi à des équipes du monde entier de participer au challenge et de soumettre leurs modèles d’IA. 

Les résultats du Data Challenge 

Quatre algorithmes se sont démarqués avec plus de 80% de précision pour distinguer les cas. Trois de ces modèles sont publiés en open source et référencés sur la Bibliothèque Ouverte d'Algorithmes en Santé (BOAS).
 

• 1ère place – Raphael Kiminya, Data scientist indépendant originaire du Kenya

Raphael Kiminya a pré-entraîné un réseau de neurones convolutif (CNN) avec des cibles spécifiques, puis l’a affiné pour prédire les rechutes. Il a notamment utilisé l’apprentissage multi-instances (MIL) pour classifier les images de lames entières.
 

• 2ème place – Lucas Robinet et Ziad Kheil, doctorants en apprentissage profond sur des images médicales

  Lucas Robinet et Ziad Kheil ont utilisé un modèle de réseau de neurones convolutif appelé ResNet, combinant des représentations vectorielles (“embeddings”) d’images basse résolution avec des données cliniques, et employé une fonction de perte focale pour mieux gérer le déséquilibre des classes.

• 3ème place – Marvin Lerousseau et Grégoire Gessain, respectivement chercheur aux Mines de Paris et à l’Institut Curie et pathologiste interne

Marvin Lerousseau et Grégoire Gessain ont préféré renoncer à la récompense en échange de pouvoir conserver la confidentialité de leur solution algorithmique. Ils ont partagé leur retour d’expérience, consultable dans la vidéo ci-dessous.

• 4ème place – Tristan Lazard, doctorant en pathologie computationnelle aux Mines de Paris et à l’Institut Curie

Tristan Lazard a utilisé une approche en deux temps : une phase d’apprentissage autosupervisé avec un réseau de neurones spatialement non conscient (“spatially unaware”), puis une phase d’apprentissage supervisé spécifique à la tâche du challenge avec un modèle d’apprentissage automatique.

La remise des prix des lauréats de VisioMel a eu lieu le 25 mai 2023 et était dédiée à présenter plus en détails les enjeux et résultats du Data Challenge. 

Ouverture des résultats et perspectives 

La publication en open data offre un accès libre et gratuit à cette base de données inédite et ouvre la voie à de nouveaux travaux collaboratifs de recherche en anatomopathologie dermatologique. Cette base de données de grande qualité et richement annotée constitue également un support pédagogique précieux dans la formation d’anatomopathologistes. 

Les modèles disponibles en open source sont accessibles et déployables partout dans le monde, rendant l’expertise en l’analyse d’exérèses de mélanome plus accessible et permettant la poursuite du développement d’outil d’aide au diagnostic en anatomopathologie dermatologique.

Les publications en lien avec ce Data Challenge

• Mammadov, A., Le Folgoc, L., Adam, J., Buronfosse, A., Hayem, G., Hocquet, G., & Gori, P. (2025). Self-supervision enhances instance-based multiple instance learning methods in digital pathology: a benchmark study. Journal of Medical Imaging, 12(6), 061404-061404. https://doi.org/10.1117/1.JMI.12.6.061404
   
• Xiang, J., Wang, X., Zhang, X., Xi, Y., Eweje, F., Chen, Y., ... & Li, R. (2025). A vision–language foundation model for precision oncology. Nature, 638(8051), 769-778. https://doi.org/10.1038/s41586-024-08378-w
   
• Alla, L., Maubec, E., Bertheau, P., Khammari, A., Prévot, S., Dalac-Rat, S., ... & Staroz, F. (2023). La compétition VisioMel: à la recherche d’une signature numérique prédisant le risque de récidive des mélanomes cutanés primitifs. Annales de Dermatologie et de Vénéréologie-FMC, 3(8), A55. https://doi.org/10.1016/j.fander.2023.09.033

Les partenaires

• Pr Philippe Bertheau : Président de la Société Française de Pathologie (SFP), Professeur de pathologie à l’Université Paris Cité
• Dr Frédéric Staroz : Président du Conseil National Professionnel des Pathologistes (CNPath), Médecin pathologiste
• Laurie Alla : Cheffe de projet, Health Data Hub

Le programme Data Challenges en santé

Depuis 2020, par le biais des Appels à Projets “Data Challenges en santé”, le Health Data Hub accompagne des acteurs de l'écosystème de la santé dans l’organisation de projets de Data Challenge portant sur des thématiques médicales d’intérêt et à portée internationale. Ces projets bénéficient d’un soutien financier de Bpifrance ainsi que d’un accompagnement logistique, technique et organisationnel de bout en bout par les équipes du Health Data Hub. 

Découvrez l'ensemble des Data Challenges sur la page Les Data Challenges en santé.

Pour en savoir plus sur l’Appel à Projets “Data Challenges en santé”, rendez-vous sur la page dédiée.