Dépression : ce que l’IA peut, et ne peut pas, lire sur un visage

Le visage laisse parfois transparaître la fatigue, le repli sur soi ou la tristesse. À la date du 30 septembre 2024, des travaux autour de l’application MoodCapture explorent une idée ambitieuse : utiliser la caméra frontale d’un smartphone et l’intelligence artificielle pour relever, au fil des usages, des indices visuels susceptibles d’être liés à la dépression. L’enjeu est considérable, car mieux repérer une souffrance psychique pourrait faciliter l’accès à une aide adaptée. Mais entre le repérage de signaux et le diagnostic médical, la frontière reste essentielle.

La dépression ne se réduit pas à un air triste sur une image. C’est un trouble de santé mentale dont l’évaluation repose sur un ensemble de symptômes, leur intensité, leur durée et leur effet sur la vie quotidienne. Une personne peut masquer sa détresse, sourire en société ou, à l’inverse, paraître fatiguée sans vivre d’épisode dépressif. C’est pourquoi les outils d’IA fondés sur l’image doivent être envisagés comme des pistes de dépistage ou de suivi, jamais comme des arbitres isolés de l’état psychologique d’une personne.

MoodCapture, une application qui observe des indices visuels

MoodCapture est présenté comme un outil utilisant la caméra frontale d’un smartphone pour analyser les expressions faciales ainsi que certains éléments de l’environnement de l’utilisateur. Au lieu de s’en tenir à une photographie fixe, l’approche cherche à apprécier une dynamique : les changements dans les expressions, la manière dont un visage apparaît à différents moments et les circonstances dans lesquelles les images sont capturées.

L’idée est de tirer parti d’un objet déjà présent dans la vie quotidienne. Les smartphones disposent d’une caméra de bonne qualité, d’une puissance de calcul croissante et accompagnent leurs propriétaires dans de nombreux contextes. Une application peut ainsi recueillir des observations répétées, là où un rendez-vous médical offre par définition une photographie beaucoup plus ponctuelle d’un état de santé.

Dans le scénario décrit, l’utilisateur dirige la caméra vers son visage. Les images sont ensuite traitées par des modèles d’intelligence artificielle capables d’extraire des caractéristiques visuelles. L’application ambitionne d’identifier des signes qui pourraient précéder ou accompagner une dégradation de l’humeur, puis de restituer un retour à l’utilisateur.

Cette promesse ne signifie pas que le téléphone « voit » une dépression. Il recherche plutôt des corrélations statistiques entre des configurations observées dans des images et des indicateurs d’humeur. La distinction est importante : une corrélation peut aider à attirer l’attention sur une situation, mais elle n’établit pas à elle seule la cause d’un mal-être ni l’existence d’un trouble.

Quels éléments l’IA peut-elle analyser sur un visage ?

Les systèmes de vision par ordinateur décomposent généralement une image en nombreux signaux : position relative de certains points du visage, ouverture des yeux, mouvements de la bouche, orientation de la tête ou évolution des expressions. Dans le cas de MoodCapture, l’ambition est aussi de tenir compte du contexte visuel, car l’environnement peut modifier l’apparence d’un visage et fournir des informations sur les conditions de prise de vue.

Le principe n’est donc pas de lire directement une émotion dans les yeux. Un modèle apprend, à partir d’exemples annotés, à associer des motifs d’images à des catégories ou à des scores. Sa qualité dépend étroitement des données qui ont servi à le concevoir, de la diversité des personnes représentées et de la méthode utilisée pour vérifier ses résultats.

La publication d’origine évoque notamment l’analyse de la tristesse et de ses variations. Il faut néanmoins être prudent avec des termes comme « sincérité » émotionnelle. À ce stade, une IA déduit des probabilités à partir de pixels et de régularités apprises. Elle ne peut pas établir de façon certaine qu’une émotion est authentique, dissimulée ou ressentie avec une intensité donnée.

Que peut réellement indiquer un visage ?

Les indices faciaux peuvent être utiles dans un cadre de recherche sur la santé mentale, notamment lorsqu’ils sont combinés à d’autres informations : questionnaires validés, symptômes rapportés par la personne, sommeil, niveau d’activité ou appréciation d’un clinicien. Ils peuvent contribuer à repérer une évolution inhabituelle et inviter à se poser des questions.

En revanche, ils ne constituent pas une preuve de dépression. Le diagnostic repose habituellement sur un entretien clinique et sur l’évaluation de symptômes qui ne sont pas visibles sur une photo : perte d’intérêt, culpabilité, ralentissement ou agitation, troubles du sommeil, difficultés de concentration, pensées noires, retentissement dans la vie personnelle et professionnelle.

Le risque principal serait de prendre un indicateur automatique pour un verdict. Un faux positif peut inquiéter inutilement une personne. Un faux négatif peut, à l’inverse, donner un sentiment de sécurité injustifié à quelqu’un qui souffre réellement. Dans les deux cas, le résultat d’une application ne doit pas retarder une consultation lorsqu’une personne se sent durablement mal, isolée ou en danger.

Un outil de repérage plutôt qu’un remplacement du soin

La force potentielle d’une application telle que MoodCapture réside dans la continuité. Une consultation médicale intervient souvent lorsque les symptômes sont déjà identifiés, ou quand la personne a décidé de demander de l’aide. Un outil numérique pourrait, lui, favoriser une observation plus régulière de l’état émotionnel et encourager une prise de conscience précoce.

Pour les personnes déjà accompagnées, ce type de dispositif pourrait aussi, à terme, fournir des éléments de suivi entre deux rendez-vous. Encore faut-il que les résultats soient compréhensibles, qu’ils ne soient pas anxiogènes et que leur interprétation reste placée dans un cadre médical ou psychologique approprié.

Une interface responsable devrait expliciter plusieurs points : ce que l’outil mesure réellement, son niveau d’incertitude, les situations dans lesquelles il ne peut pas fonctionner correctement et la conduite à tenir en cas de signal préoccupant. Afficher un score sans explication, ou suggérer un diagnostic à partir d’une image, serait particulièrement problématique dans le domaine de la santé mentale.

La confidentialité des images est une condition non négociable

Une image de visage n’est pas une donnée ordinaire. Elle peut révéler l’apparence d’une personne, son cadre de vie, la présence éventuelle de proches ou des informations contextuelles qu’elle n’aurait pas prévu de partager. Lorsqu’elle est utilisée dans le champ de la santé mentale, sa sensibilité est renforcée par les déductions que le service pourrait tenter d’en tirer.

L’utilisation d’un outil tel que MoodCapture suppose donc un consentement réellement éclairé. L’utilisateur devrait savoir quelles images sont collectées, à quel moment, dans quel but, combien de temps elles sont conservées, si elles quittent l’appareil et qui peut y accéder. Une formulation vague sur l’« anonymisation » ne suffit pas à lever les inquiétudes : un visage est par nature difficile à dissocier totalement d’une identité.

Les garanties attendues sont concrètes : possibilité de refuser certaines captures, de supprimer ses données, de suspendre l’analyse, de comprendre les paramètres de confidentialité et de ne pas subir de partage non choisi. La sécurité technique est également centrale, car une fuite d’images ou de données liées à la santé mentale pourrait avoir de lourdes conséquences pour les personnes concernées.

Les biais techniques et humains à ne pas sous-estimer

La reconnaissance d’expressions faciales varie selon la qualité de la caméra, l’éclairage, la position du visage et les habitudes d’usage du téléphone. Elle peut aussi produire des résultats inégaux selon l’âge, les traits, le handicap, le port de lunettes, les particularités culturelles de l’expression émotionnelle ou la représentation de différents groupes dans les données d’apprentissage.

Ces limites ne sont pas secondaires. Si un outil est moins fiable pour une partie de la population, il risque de renforcer des inégalités dans l’accès au dépistage ou de multiplier les erreurs pour les personnes les moins bien représentées. Une validation sérieuse doit donc examiner les performances sur des publics divers, dans des conditions réelles d’utilisation, et pas seulement dans un environnement contrôlé.

Il faut également considérer l’effet psychologique de la surveillance de soi. Consulter fréquemment un score d’humeur peut aider certaines personnes à mettre des mots sur leur état. Pour d’autres, cela peut nourrir une inquiétude excessive ou transformer chaque expression du visage en signe à interpréter. Le design de l’outil compte autant que l’algorithme : il doit soutenir l’autonomie sans installer une surveillance permanente.

Ce qu’il faut surveiller avant un usage à grande échelle

L’approche portée par MoodCapture illustre une évolution plus large de l’IA en psychiatrie : passer d’une observation ponctuelle à des signaux recueillis dans la vie courante. Cette voie peut ouvrir des perspectives pour le repérage précoce et la personnalisation du suivi, à condition de ne pas confondre innovation technique et preuve médicale.

Pour juger la valeur réelle de ces outils, plusieurs questions devront recevoir des réponses précises : leurs résultats sont-ils confirmés dans des études indépendantes ? Sont-ils comparés à des évaluations réalisées par des professionnels ? Fonctionnent-ils pour des personnes aux profils variés ? Quel est le taux d’erreurs ? Les utilisateurs gardent-ils la maîtrise complète de leurs images ?

La technologie peut devenir un appui pour engager une conversation, orienter vers une ressource ou suivre une évolution avec l’accord de la personne. Elle ne doit ni réduire la dépression à un visage, ni remplacer l’écoute, le diagnostic et l’accompagnement que requiert une souffrance psychique.