Article d'QuantumBasel · Publié pour la première fois le 3 novembre 2025
Moonlight AI révolutionne le diagnostic du cancer en utilisant l'intelligence artificielle pour analyser des lames de frottis sanguins, dans le but ultime de proposer une alternative plus rapide et plus accessible aux tests moléculaires traditionnels. En collaboration avec l'QuantumBasel et l'Université de Bâle, l'équipe a étudié comment les algorithmes quantiques et l'intelligence artificielle pourraient encore améliorer les performances du modèle, notamment dans la détection des cellules rares circulantes (CRC).
Le défi : un goulot d'étranglement dans le diagnostic du cancer
Les cancers hématologiques touchent plus de 1,7 million de personnes dans le monde. Pourtant, moins de 20 % des patients éligibles bénéficient des tests moléculaires indispensables en raison de leur coût élevé, de leur complexité et de la nécessité de disposer d’équipements spécialisés. Actuellement, la détection des mutations à l’aide de méthodes traditionnelles telles que le séquençage de nouvelle génération (NGS) prend plus de 10 jours, un délai qui peut avoir des conséquences critiques sur les résultats du traitement.
Moonlight AI a imaginé une meilleure solution : utiliser l'IA pour analyser les lames de frottis sanguins standard. Son modèle vise à réduire considérablement les délais d'analyse, qui passeraient de plus de 10 jours à moins d'une heure, permettant ainsi à davantage de patients de bénéficier de traitements ciblés en temps opportun.
Mais amener l'IA à ce niveau de sensibilité et d'évolutivité a fait naître un nouveau défi : la complexité algorithmique.
La solution : une IA plus intelligente, prête pour l'ère quantique
C'est là qu'QuantumBasel est intervenu. Ensemble, les deux équipes ont mis au point deux approches innovantes d'apprentissage automatique permettant de détecter les cellules rares circulantes (CRC), un biomarqueur essentiel dans le dépistage du cancer :
- Optimisation par l'IA : amélioration des performances de plus de 10 % (AUC moyenne).
- Réduction de la complexité de l'entraînement de l'IA : le nombre de paramètres entraînés a été divisé par 5, tout en conservant des performances comparables.
- Un pipeline prêt pour l'informatique quantique, avec deux demandes de brevet déposées
Cette stratégie d'innovation à deux volets permet à Moonlight AI de disposer dès aujourd'hui d'une solution classique prête à être déployée et en instance de brevet, ainsi que d'un pipeline prêt pour l'informatique quantique de demain.
« Notre collaboration avec QuantumBasel a porté ses fruits rapidement et de manière constante. Ils nous ont considérés comme des partenaires de réflexion et ont fait preuve d’un esprit pratique qui les distingue véritablement. » — Nicole Romano, cofondatrice et directrice technique, Moonlight AI
La voie à suivre : du prototype à la production
Le succès de la démonstration de faisabilité a conduit au dépôt de demandes de brevet visant à protéger la propriété intellectuelle de Moonlight AI. À présent, les prochaines étapes pourraient consister à faire passer l’algorithme quantique du stade de prototype à celui de production, ouvrant ainsi la voie à son déploiement dans le monde réel.
En combinant le meilleur de l'informatique classique et de l'informatique quantique, Moonlight AI et l'QuantumBasel , accélèrent l'innovation dans le domaine du diagnostic du cancer.
Lectures complémentaires
La détection et la classification des morphologies cellulaires s'effectuent en prélevant un échantillon de sang du patient et en le traitant à l'aide d'un séquenceur d'ADN avant d'analyser les résultats. Une méthode bien plus efficace consisterait à utiliser des outils d'intelligence artificielle basés sur l'apprentissage par instances multiples (MIL). L'un des principaux obstacles de cette méthodologie réside dans la complexité computationnelle et le nombre élevé de paramètres entraînables des mécanismes d'attention basés sur l'apprentissage profond utilisés dans l'apprentissage par instances multiples (MIL), ce qui peut nuire à l'efficacité de l'entraînement.
Pour remédier à cela, cet article propose une nouvelle approche dite « Extreme Learning Machine » (extreme MIL) basée sur l’attention, qui réduit considérablement le nombre de paramètres entraînés tout en offrant des performances comparables à celles des modèles Deep MIL en matière de détection des cellules rares. Les modèles Deep MIL entraînent tous leurs paramètres par rétropropagation, tandis que l’extreme MIL fige la plupart des paramètres dans le mécanisme d’attention, ne formant que la couche de classification finale.
Nos principales améliorations par rapport à l'état de l'art précédent comprennent : un espace de caractéristiques de dimension supérieure lors de l'étape d'agrégation du modèle MIL profond basé sur l'attention, ce qui a conduit à une amélioration considérable des performances (> 10 % en AUC) et de la robustesse ; un prétraitement spécialisé par domaine, qui apporte des gains de performance substantiels sur l'ensemble des modèles ; et le modèle MIL extrême, qui a atteint des performances comparables à celles du MIL profond tout en réduisant de cinq fois le nombre de paramètres entraînés. L'article est disponible ici.
