Altis Labs Lève 25 Millions Pour L Ia En Oncologie
Et si l’on pouvait savoir, plusieurs mois à l’avance, qu’un traitement contre le cancer fonctionne vraiment ? Pas à la fin d’un essai interminable, pas après des analyses tardives, mais pendant que les patients sont encore dans le protocole. C’est précisément la promesse que vient de renforcer Altis Labs, une jeune entreprise torontoise qui vient de lever 25 millions de dollars américains, soit environ 35 millions de dollars canadiens, pour accélérer le déploiement de son intelligence artificielle dédiée aux essais oncologiques.
Une levée qui vise plus loin que le financement
Le tour de table de série A a été co-mené par OrbiMed, investisseur new-yorkais bien connu de la biotech, et par Qiming Venture Partners USA, bras américain du fonds chinois Qiming. L’argent ne sert pas seulement à grandir. Il doit permettre d’appliquer les modèles à davantage de types de cancers, d’ouvrir davantage de partenariats avec des laboratoires mondiaux et, surtout, de faire reconnaître les endpoints générés par l’IA comme un nouveau standard dans les essais en oncologie.
Derrière le communiqué se cache un problème très concret. Les essais cliniques en cancérologie reposent encore largement sur des critères classiques : survie sans progression, survie globale, lecture manuelle des scanners. Ces mesures sont robustes, mais elles arrivent souvent tard. Un laboratoire peut alors abandonner trop tôt un candidat prometteur, ou au contraire poursuivre une molécule qui ne tient pas ses promesses. L’enjeu n’est pas seulement statistique. Il est humain et financier.
Ce que fait réellement le modèle IPRO
Le produit phare s’appelle IPRO. Il ne se contente pas de « lire » une image. Il génère automatiquement des mesures pronostiques à partir de scanners radiologiques, puis traduit ces signaux en prédictions de survie. L’idée est simple à formuler, beaucoup plus délicate à fiabiliser : extraire plus tôt, et de façon plus reproductible, l’effet d’un traitement.
Dans un essai récent portant sur le cancer du poumon, le modèle a analysé environ 10 000 examens d’imagerie et produit une mesure d’issue pour chaque patient. Une analyse post-hoc menée par Johnson & Johnson sur ce même essai a conclu qu’IPRO avait repéré un effet thérapeutique manqué par les méthodes traditionnelles onze mois avant le résultat primaire de survie sans progression, et vingt-six mois avant le résultat final de survie globale. Ces chiffres ne disent pas que l’IA remplace le clinicien. Ils disent qu’elle peut avancer le moment où l’on dispose d’un signal utile.
Les développeurs de médicaments s’appuient sur des critères précoces pour concevoir leurs essais et arbitrer leur portefeuille. Une lecture trop tardive peut faire tomber un bon traitement ou faire avancer une thérapie imparfaite.
– Synthèse de la position d’Altis Labs
Pourquoi Toronto plutôt qu’une autre capitale de la tech
Felix Baldauf-Lenschen, cofondateur et directeur général, a quitté San Francisco pour Toronto en 2019. Il expliquait déjà, après la levée d’amorçage, que la ville combinait un vivier d’intelligence artificielle de premier plan et des hôpitaux capables de nourrir des projets cliniques ambitieux. Plus de trois ans plus tard, la société affirme avoir construit IPRO sur ce qu’elle présente comme la plus vaste base d’imagerie en vie réelle du secteur, enrichie des données cliniques et des issues associées, pour un volume équivalent à plus de 500 000 années-patients.
Cette masse de données n’est pas un argument marketing isolé. En oncologie, la qualité d’un modèle dépend moins du slogan que de la diversité des scanners, des protocoles, des stades et des parcours de soins. Une base trop étroite produit de beaux graphiques en laboratoire et des déconvenues dès que l’on change d’hôpital ou de constructeur d’appareils. Altis mise donc sur l’échelle, puis sur la répétabilité.
Ce que change un signal plus précoce pour un laboratoire
Dans un portefeuille de recherche, le temps n’est pas une abstraction. Chaque mois supplémentaire d’un essai de phase avancée coûte cher, mobilise des investigateurs et expose des patients à une incertitude prolongée. Un critère plus sensible, s’il est accepté par les équipes médicales et, à terme, par les autorités, peut modifier trois décisions essentielles.
- Décider plus tôt d’arrêter un bras d’étude qui n’apporte rien.
- Renforcer un protocole qui montre déjà un bénéfice discret mais cohérent.
- Comparer plusieurs candidats sans attendre exclusivement la survie globale.
Encore faut-il que le signal soit reproductible. C’est le mot que l’entreprise répète, et c’est aussi le plus difficile à tenir. Une prédiction brillante sur un seul essai ne suffit pas. Il faudra la retrouver sur d’autres tumeurs, d’autres schémas thérapeutiques, d’autres populations. La série A sert précisément à tester cette généralisation.
Des endpoints classiques aux endpoints assistés
Les endpoints sont les résultats qu’un essai doit atteindre pour démontrer l’intérêt d’un traitement. En oncologie, la survie globale reste la référence la plus dure. La survie sans progression arrive plus tôt, mais elle dépend encore de lectures radiologiques parfois variables d’un centre à l’autre. IPRO se place dans cet intervalle : produire une mesure intermédiaire, automatique, potentiellement plus stable.
Si cette mesure gagne en crédibilité, elle pourrait influencer le design des protocoles. On imaginerait des essais plus adaptatifs, des analyses intermédiaires plus informatives, une discussion plus fine avec les comités de surveillance. Rien de tout cela n’est acquis. Les agences de régulation n’adoptent pas un nouvel outil parce qu’une start-up l’a bien présenté. Elles exigent de la transparence, des validations indépendantes et une compréhension claire de ce que le modèle voit vraiment dans une image.
Les limites qu’il faut nommer sans détour
Un article honnête ne peut pas s’arrêter à la levée de fonds. Une analyse post-hoc, même signée par un grand laboratoire, n’équivaut pas à une validation prospective. Détecter un effet plus tôt dans un jeu de données déjà collecté n’est pas la même chose que de piloter en direct un essai multicentrique. Les biais d’imagerie, les différences de machines, la qualité des annotations et le risque de surapprentissage restent des questions ouvertes.
Il existe aussi un enjeu d’interprétation clinique. Une prédiction de survie n’est pas un diagnostic. Elle n’autorise pas, à elle seule, à modifier un traitement hors cadre réglementaire. Le bon usage consistera probablement à éclairer les décisions de développement, pas à se substituer au jugement oncologique au chevet du patient. Cette frontière devra rester visible, surtout si l’outil se diffuse dans davantage de partenariats industriels.
Ce que cette opération dit de la healthtech canadienne
Le Canada, et Toronto en particulier, cherche depuis plusieurs années à transformer son avance en recherche d’IA en entreprises capables de tenir dans la durée. Altis s’inscrit dans cette trajectoire : une équipe qui relie hôpitaux, données d’imagerie et ambition industrielle. La présence d’investisseurs américains et d’un fonds à ancrage asiatique montre aussi que le sujet dépasse le marché local. L’oncologie clinique est mondiale. Les essais le sont aussi.
Pour l’écosystème, le signal est double. D’un côté, les investisseurs acceptent de miser des montants significatifs sur des outils qui ne vendent pas une application grand public, mais une brique technique destinée aux essais. De l’autre, la concurrence s’intensifie. D’autres acteurs travaillent sur la lecture automatisée des tumeurs, la quantification volumétrique ou la prédiction de réponse. La différence se jouera moins sur le mot « IA » que sur la qualité des données, la clarté des preuves et la capacité à convaincre les équipes médicales.
À quoi pourrait ressembler la suite
Avec cette série A, trois chantiers s’ouvrent. Premier chantier : élargir les types de cancers au-delà des cas déjà explorés, notamment le poumon. Deuxième chantier : signer davantage de collaborations avec des laboratoires capables d’intégrer IPRO dans des essais en cours ou à venir. Troisième chantier, plus politique que technique : contribuer à faire admettre que des mesures issues de modèles peuvent devenir des critères utiles, à condition d’être documentées avec la même rigueur que les critères historiques.
Si ces étapes tiennent, le bénéfice ne sera pas seulement commercial. On pourrait réduire une partie de l’incertitude qui pèse sur les patients inclus dans les protocoles, et éviter que des molécules intéressantes disparaissent trop tôt faute d’un signal assez net. À l’inverse, si les performances se dégradent hors des jeux de données d’origine, l’outil restera une aide d’analyse parmi d’autres, précieuse mais non décisive.
Pour l’instant, le récit est celui d’une start-up qui a su transformer une intuition — lire plus tôt l’effet d’un traitement dans une image — en plateforme financée à l’échelle internationale. Le plus intéressant commence maintenant : non plus convaincre des investisseurs, mais convaincre durablement les investigateurs, les statisticiens d’essais et, un jour peut-être, les régulateurs. C’est à cet endroit précis que l’IA médicale cesse d’être un argument et devient une pratique.
