Et peut-être la seule pour longtemps. Un opérateur déterministe qui transforme les données omiques du patient en matrices de convolution, applicables sur l'histologie de sa tumeur.
L'IA d'oncologie aujourd'hui rate l'appariement patient × tumeur de deux façons. Soit elle traite le patient et la tumeur comme deux flux séparés qu'on additionne a posteriori. Soit elle écrase tout le tableau de données du patient en une seule image, perdant la granularité variable par variable. Dans les deux cas, le combat patient × tumeur reste invisible. Pour le voir, il a fallu construire un pont que personne n'avait construit.
Owkin, Tempus, PathAI. Deux moteurs séparés : un pour la tumeur, un pour le patient. Réconciliation a posteriori par opérateur mathématique (Kronecker, cross-attention). Comme l'audiodescription au cinéma : deux flux parallèles qui ne se fusionnent jamais. Apprentissage profond, boîtes noires probabilistes. Milliers de patients, GPU massifs, coûts massifs. Le biais du survivant : on ne voit que les cellules tumorales qui ont gagné le combat — les vaincues ont disparu.
DeepInsight (2019). Tout le tableau de données est transformé en une seule image globale, agrégeant tous les patients ensemble. Approche élégante mathématiquement, mais qui interdit d'isoler un patient individuel. Sans isolement du patient, pas de convolution possible sur sa tumeur. La médecine personnalisée au niveau n=1 reste hors de portée.
Plusieurs matrices de convolution par variable et par patient. Chaque variable du patient génère un jeu de matrices. L'ensemble forme l'arsenal unique de ce patient, appliqué à l'histologie de sa tumeur. Le combat patient × tumeur devient lisible. Opérateur déterministe, explicable, auditable. Six patients suffisent — c'est le minimum mathématique sous loi binomiale, p = 1/64.
Toute IA contemporaine traite l'un des trois sommets du triangle informationnel : l'image, le mot, le nombre. Deux arêtes sont matures industriellement. Image–Mot par GPT-4 vision et Gemini. Mot–Nombre par RAG et reports automatiques. La troisième n'avait jamais été construite. C'est l'arête CDO.
L'image a son IA — le Deep Learning. Le mot a son IA — les LLM. Le nombre, lui, n'a pas d'IA — et ne peut pas en avoir. Il est unidimensionnel. Pas de spatialité comme l'image. Pas de séquentialité sémantique comme le mot. C'est cette pauvreté dimensionnelle qui interdit au Deep Learning d'opérer sur des nombres seuls. Les nombres sont restés enfermés dans la statistique et le machine learning classique.
Le lion court. L'oiseau vole. L'arbre est planté. Pour aller ailleurs, l'arbre doit déposer ses graines sur le lion ou sur l'oiseau.
CDO est ce vecteur. Il prend les nombres — qui ne peuvent se déplacer seuls — et les dépose dans le territoire de l'image, où la convolution peut les transporter. Les nombres bénéficient désormais des avancées du Deep Learning, dont ils étaient structurellement exclus. Ce n'est pas une domination — c'est une symbiose.
« CDO, l'opérateur qui permet aux nombres d'utiliser les autres IA. »
Calibration CDO sur six patientes TNBC métastatiques de l'ICO Nantes, avec le Pr Mario Campone. Trois répondeuses, trois non-répondeuses. Six sur six. Six n'est pas un raccourci — c'est le minimum mathématique sous loi binomiale en dessous duquel aucune méthode statistique ne peut prouver qu'une classification parfaite n'est pas due au hasard.
ICO Nantes, Pr Campone. 3 répondeuses, 3 non-répondeuses. Loi binomiale, p = 1/64.
Validation indépendante sous contractualisation ICO. Résultats attendus juin 2026.
En deçà : aucune facturation. Dossier restitué sans frais. Honnêteté commerciale par construction.
À tous les stades, le patient ne paie rien. Le pilote initial est financé par les conventions de recherche et par un co-financement mutuelle. L'inscription au RIHN ouvre le forfait CNAM. Pas d'assureurs cotés. Pas de pharma sans nos conditions.
Financement par conventions de recherche existantes (ICO, Gustave Roussy) et co-financement avec une mutuelle non lucrative.
Dossier déposé à la DGOS. Instruction de 18 à 24 mois. Les pilotes mutuelle continuent en parallèle.
Inscription RIHN effective. La CNAM devient le payeur principal. Déploiement multi-centres. Marge brute supérieure à 90 %.
HBT est porté par son fondateur, ancien Maître de Conférences des Universités – Praticien Hospitalier au CHU de Nantes, MD-PhD, Habilité à Diriger des Recherches. Plus de 200 publications scientifiques, dont premier auteur dans Bioinformatics et dernier auteur dans le JAMA. Aujourd'hui retraité, il consacre son temps et ses moyens au développement de HBT. La structure s'appuie sur ses partenaires cliniques de premier plan et sur un cadre juridique et financier dédié à la deeptech santé.
« Je le fais pour tous les patients qui espèrent qu'on leur trouve la meilleure solution. »
Le cancer du sein triple négatif est le premier théâtre. La méthode se généralise. En multipliant les catégories de matrices, CDO peut produire la cartographie complète du patient comme système — ses voies actives, ses voies bloquées, ses forces, ses faiblesses, ses vulnérabilités thérapeutiques exploitables.
Sans nouvelle biopsie. Sans rien détruire de la lame. Avec les mêmes données omiques.
Dr Jean-Michel Nguyen
Fondateur & Président
jmnguyen@haut-bit-technology.fr
SAS Haut-Bit Technology
Saint-Sébastien-sur-Loire (44230)
France