Voir au-delà de l'IMC : Estimer le risque cardiométabolique avec l'imagerie par smartphone

Voir au-delà de l'IMC : estimer le risque cardiométabolique grâce aux images de smartphone

Pendant des décennies, l’indice de masse corporelle (IMC) a servi de raccourci par défaut pour évaluer la santé métabolique. Les cliniciens le calculent en quelques secondes, les assureurs l’utilisent pour ajuster les primes, et les agences de santé publique s’en servent pour cartographier les tendances de l’obésité. Pourtant, l’IMC a toujours été un instrument grossier. Il ne distingue pas le muscle de la graisse, ne dit rien de la répartition de la graisse, et classe souvent à tort des individus métaboliquement sains ou malsains. La recherche d’un meilleur indicateur, plus accessible, dure depuis des années. Un candidat particulièrement intrigant est désormais apparu à l’intersection de l’apprentissage automatique et de la technologie du quotidien : la caméra des smartphones. En août 2026, Google Research a publié un article de blog intitulé « Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery » (« Voir au-delà de l’IMC : estimer le risque cardiométabolique grâce aux images de smartphone »), décrivant comment des photographies ordinaires prises avec un appareil mobile pourraient potentiellement fournir un signal bien plus riche sur le risque cardiométabolique qu’un simple calcul de poids et de taille.

L’idée ne consiste pas simplement à affiner une ancienne mesure, mais à repenser le type de données que l’on peut extraire du corps humain en utilisant rien de plus qu’un appareil photo. Cet article explore pourquoi l’IMC est insuffisant, comment l’imagerie par smartphone pourrait combler cette lacune, et ce qui doit se produire avant qu’une telle technologie passe du blog de recherche à la clinique.

Pourquoi l’IMC est insuffisant comme marqueur de santé

L’IMC a été introduit au XIXe siècle par le statisticien belge Adolphe Quetelet, qui cherchait à définir le « physique normal » de l’être humain au sein des populations. La formule — poids en kilogrammes divisé par la taille en mètres au carré — n’a jamais été conçue pour diagnostiquer une maladie. C’était un outil statistique au niveau de la population, et non une évaluation médicale personnalisée. Cette distinction importe plus que jamais aujourd’hui.

Deux personnes ayant un IMC identique peuvent présenter des profils de santé radicalement différents. Un joueur de rugby et un employé de bureau sédentaire peuvent avoir la même taille et le même poids, mais le premier porte une masse musculaire substantielle tandis que le second porte un excès de graisse viscérale. Leurs risques de diabète de type 2, d’hypertension et de maladie cardiovasculaire divergent fortement, mais l’IMC seul ne peut pas saisir cette différence. De même, des personnes ayant un IMC « normal » peuvent tout de même souffrir d’un syndrome métabolique si elles portent de la graisse de manière centrale — une condition parfois appelée obésité de poids normal. Les études montrent systématiquement que le tour de taille et le rapport taille-hanches sont plus fortement corrélés aux résultats cardiométaboliques défavorables que l’IMC. La raison est anatomique : la graisse viscérale entourant le foie, le pancréas et les intestins est métaboliquement active, sécrétant des cytokines inflammatoires et des acides gras libres qui altèrent la sensibilité à l’insuline. La graisse sous-cutanée, en revanche, est comparativement bénigne.

Cela a conduit les chercheurs à rechercher de meilleurs indicateurs. Les scanners DEXA, l’IRM et la tomodensitométrie peuvent mesurer précisément la composition corporelle, mais ils sont coûteux, nécessitent un équipement spécialisé et ne peuvent pas facilement être déployés à grande échelle. Les balances à impédance bioélectrique sont moins chères mais notoirement capricieuses, variant selon l’hydratation et le placement des électrodes. Le ruban à mesurer pour le tour de taille est simple mais sujet aux erreurs de l’utilisateur. Ce dont le domaine a vraiment besoin, c’est d’une méthode précise, évolutive et accessible à des milliards de personnes dans le monde. L’imagerie par smartphone, alimentée par la vision par ordinateur moderne, pourrait être le premier candidat à satisfaire ces trois critères.

L’imagerie par smartphone : une nouvelle fenêtre sur la composition corporelle

Le principe central de l’initiative de Google Research est d’une simplicité trompeuse : le corps humain porte des indices visibles et observables de l’extérieur concernant la santé cardiométabolique interne. La graisse se répartit selon des schémas — autour de l’abdomen, des hanches, des cuisses — qui ne sont pas aléatoires. La masse musculaire façonne les contours. La posture reflète à la fois l’alignement squelettique et la composition des tissus mous. Ces indices ont toujours été lisibles par un œil entraîné, mais ils sont subtils et difficiles à quantifier avec un ruban à mesurer. Un appareil photo, cependant, peut tous les capturer en une seule image.

Les modèles modernes de vision par ordinateur excellent précisément dans ce type de tâche. Étant donné un grand ensemble de données d’images associées à des résultats de santé connus, un réseau neuronal peut apprendre à associer des caractéristiques visuelles spécifiques à des états physiologiques sous-jacents. Le réseau n’a pas besoin d’un ensemble explicite de règles sur où se termine la taille et où commence la hanche. Au lieu de cela, il apprend à partir de schémas présents dans des millions d’exemples. Le résultat est un modèle capable de déduire la composition corporelle et les facteurs de risque cardiométabolique à partir des seules images, sans contact physique, sans matériel spécialisé, et sans formation clinique requise de la part de l’opérateur.

Les implications pratiques sont considérables. Une personne pourrait prendre une photographie standard de son torse avec un smartphone, de face ou de profil, et recevoir une estimation du pourcentage de graisse corporelle, du rapport taille-hanches, ou même un score composite de risque cardiométabolique — tout cela sans entrer dans une clinique. Ce n’est pas un fantasme irréaliste. La technologie sous-jacente — réseaux de neurones convolutionnels, estimation de pose et segmentation d’image — a mûri de manière spectaculaire au cours de la dernière décennie. Les modèles peuvent désormais identifier des points de repère anatomiques, segmenter des régions du corps et estimer des positions articulaires avec une précision remarquable. Étendre cette capacité à l’estimation de la composition des tissus mous est une étape naturelle.

Des pixels aux profils de risque : ce que la machine apprend

L’un des aspects les plus convaincants de cette approche est que le modèle peut identifier des schémas visuels que les cliniciens humains prennent rarement en compte explicitement. L’IMC se concentre sur la masse globale, mais le silhouette d’une personne encode bien plus d’informations. Le rapport entre la largeur des épaules et la largeur de la taille, la courbure de l’abdomen, l’épaisseur du cou, l’accumulation de graisse autour des flancs — tout cela est visuellement disponible sur une seule photographie. Un modèle d’apprentissage automatique peut peser des dizaines de ces caractéristiques simultanément et produire une estimation du risque qui intègre plus d’informations que ce qu’un œil humain pourrait évaluer délibérément.

C’est analogue à la façon dont l’apprentissage profond a transformé l’imagerie médicale dans d’autres domaines. Les radiologues s’appuyaient autrefois sur leur œil entraîné pour repérer les tumeurs dans les radiographies et les tomodensitogrammes. Aujourd’hui, des algorithmes peuvent détecter des schémas subtils dans ces mêmes images que les radiologues humains manquent, signalant parfois des maladies à un stade précoce qui passeraient autrement inaperçues. Le même principe s’applique à l’imagerie corporelle. Les caractéristiques visuelles prédictives de la résistance à l’insuline ou de la stéatose hépatique peuvent être subliminales — pas évidentes pour un médecin, mais suffisamment cohérentes pour qu’un modèle bien entraîné s’y accroche.

Il est important de noter que le modèle peut produire des scores continus plutôt que des étiquettes catégorielles. Au lieu de dire qu’une personne tombe dans la catégorie « surpoids » ou « obésité » sur la base d’un seuil arbitraire, le système pourrait produire un percentile de risque ou une probabilité calibrée d’événements cardiométaboliques futurs. Cela s’aligne sur le mouvement plus large de la médecine vers une stratification personnalisée et continue du risque plutôt que des seuils binaires. Cela permet également au modèle d’être ajusté pour différentes populations. Un modèle de risque visuel entraîné principalement sur des images d’un groupe ethnique peut mal performer sur un autre, mais avec des données d’entraînement suffisantes et diversifiées, le modèle peut apprendre des schémas spécifiques à chaque population.

Pourquoi cela importe pour la santé mondiale

La plus grande promesse de l’estimation du risque basée sur les smartphones réside dans son accessibilité. Plus de six milliards de personnes dans le monde possèdent un smartphone, et ce nombre continue de croître. Beaucoup de ces personnes vivent dans des régions où l’accès aux outils de diagnostic clinique est limité. Une machine IRM coûte des millions de dollars et nécessite des infrastructures, des techniciens formés et une alimentation électrique stable. Un smartphone est bon marché, omniprésent et transporté partout. Si le risque cardiométabolique peut être estimé à partir d’une simple photographie, le dépistage pourrait être démocratisé d’une manière auparavant inimaginable.

Considérons un agent de santé rural dans un pays à faible revenu qui a été formé pour repérer la malnutrition mais ne dispose d’aucun équipement de diagnostic. Avec un outil d’évaluation du risque basé sur smartphone, cet agent pourrait dépister des villages entiers pour le risque cardiométabolique en quelques heures. Les données pourraient être agrégées de manière anonyme, donnant aux autorités de santé publique une visibilité sans précédent sur la santé métabolique de leurs populations. Dans les pays à revenu élevé, la même technologie pourrait permettre une auto-surveillance continue, permettant aux individus de suivre les changements de leur profil de risque au fil du temps et de voir les effets des interventions sur le mode de vie en temps quasi réel.

L’article de blog de Google Research représente une étape importante dans cette direction. Il positionne le travail non seulement comme un exercice intéressant de vision par ordinateur, mais comme une contribution sérieuse à la médecine préventive. Le message sous-jacent est que les outils pour transformer la santé mondiale peuvent déjà se trouver dans nos poches. Ce qui manquait, c’est la perspicacité algorithmique nécessaire pour libérer leur potentiel diagnostique.

Confidentialité, biais et considérations éthiques

Aucune discussion sur l’apprentissage automatique lié à la santé ne serait complète sans aborder les risques éthiques et sociétaux. L’imagerie par smartphone du corps humain est intrinsèquement sensible. Les images corporelles sont profondément personnelles, et un outil qui demande aux utilisateurs de se photographier soulève inévitablement des préoccupations de confidentialité. Qui a accès à ces images ? Où sont-elles stockées ? Peuvent-elles être supprimées ? Peuvent-elles être réutilisées à des fins publicitaires ou de souscription d’assurance ? Ce ne sont pas des questions hypothétiques ; ce sont le genre de préoccupations qui peuvent faire dérailler une technologie prometteuse si elles ne sont pas traitées avec attention.

Il y a aussi le risque de biais algorithmique. Un modèle entraîné sur des images d’un certain groupe démographique — disons, principalement des corps nord-américains à la peau claire — peut mal performer sur des individus à la peau plus foncée ou sur des corps ayant des proportions moyennes différentes. Les systèmes d’apprentissage automatique sont notoires pour hériter des biais de leurs données d’entraînement. Si un outil d’évaluation du risque basé sur smartphone sous-estime systématiquement le risque pour certaines populations, il pourrait exacerber les disparités de santé existantes plutôt que de les réduire. Les chercheurs doivent donc être méticuleux concernant la collecte de données d’entraînement diversifiées et l’évaluation des performances du modèle à travers les sous-groupes démographiques.

Une autre préoccupation concerne la supervision médicale et réglementaire. Si un outil fournit des estimations du risque cardiométabolique, il s’agit effectivement d’un dispositif médical, qu’il soit étiqueté comme tel ou non. Les régulateurs aux États-Unis, dans l’Union européenne et ailleurs ont développé des voies pour les logiciels en tant que dispositifs médicaux, mais ces voies évoluent encore. Une application pour smartphone qui donne des scores de risque pourrait nécessiter une validation clinique et une approbation réglementaire avant de pouvoir être commercialisée auprès des consommateurs. Ce processus d’approbation est lent et coûteux, mais il est essentiel pour protéger la sécurité publique.

De la recherche à la réalité clinique

Il convient de rappeler que l’article de blog de Google Research décrit des recherches en cours, et non un produit disponible aujourd’hui. De nombreux obstacles techniques et pratiques subsistent entre un prototype prometteur et un outil clinique largement déployé. La précision de l’estimation du risque basée sur l’image doit être rigoureusement validée par rapport aux mesures cardiométaboliques de référence — panels sanguins, scanners DEXA et résultats de santé longitudinalux. Les modèles doivent être compressés pour fonctionner efficacement sur l’appareil, afin que les utilisateurs n’aient pas à télécharger des images sensibles vers le cloud. Et l’expérience utilisateur doit être conçue pour être infaillible, car la qualité de l’image d’entrée — éclairage, angle, distance, vêtements — affectera directement la qualité de l’estimation de sortie.

Aucun de ces défis n’est insurmontable, mais ils nécessitent du temps, du financement et une collaboration interdisciplinaire entre chercheurs en apprentissage automatique, médecins, épidémiologistes et défenseurs de la vie privée. La trajectoire est néanmoins prometteuse. Le schéma plus large en médecine est indéniable : l’intelligence artificielle passe du laboratoire aux contextes cliniques et grand public quotidiens à un rythme accéléré. L’estimation du risque cardiométabolique par smartphone s’inscrit parfaitement dans cette tendance.

Peut-être que la contribution la plus importante du travail de Google Research est conceptuelle. En déplaçant le cadre de l’IMC vers l’évaluation du risque basée sur l’image, les chercheurs incitent le domaine à penser de manière plus ambitieuse à ce qui constitue des données de santé. Une photographie est une forme de signes vitaux — un enregistrement compressé de l’état physiologique qui peut être déballé par le bon algorithme. Si cette vision se réalise, l’acte humble de prendre un selfie pourrait un jour produire des informations qu’un dossier médical ne peut pas fournir.

Conclusion

L’IMC a servi la santé publique pendant plus d’un siècle, mais ses limites sont de plus en plus difficiles à ignorer à l’ère de la médecine personnalisée et de l’informatique abordable. L’initiative de Google Research décrite dans « Seeing beyond BMI: Estimating cardiometabolic risk with smartphone imagery » offre une alternative puissante. En appliquant la vision par ordinateur moderne à des photographies ordinaires, il est possible d’aller au-delà des catégories grossières basées sur le poids et de tendre vers des estimations nuancées et continues du risque cardiométabolique.

La technologie n’est pas encore prête pour les heures de grande écoute. Elle doit encore surmonter des obstacles significatifs concernant la validation, la confidentialité, les biais et la réglementation. Mais la direction est claire, et les bénéfices potentiels sont énormes. Dans un monde où la maladie cardiovasculaire reste la première cause de décès et où le diabète touche des centaines de millions de personnes, tout outil capable de rendre le dépistage plus rapide, moins cher et plus accessible mérite une attention particulière. Un téléphone avec appareil photo dans chaque poche n’est peut-être pas la première chose à laquelle on pense lorsqu’on évoque les diagnostics médicaux. Mais si cette recherche porte ses fruits, il pourrait devenir l’appareil de surveillance de santé le plus omniprésent jamais créé.