IA en question
Nous présentons ici un aperçu des avancées techniques récentes en matière d'IAG. Nous explorons le potentiel de la dernière génération de modèles pour améliorer les soins de santé pour les cliniciens et les patients, et discutons des approches de validation à l'aide d'exemples spécifiques pour illustrer les défis et les opportunités pour les travaux futurs.
"L'IA générative n’est pas un outil neutre. C’est un amplificateur – du meilleur comme du pire." LIONEL REICHARDT
Teo, ZL, Thirunavukarasu, AJ, Elangovan, K. et al. L'intelligence artificielle générative en médecine. Nat Med 31 , 3270-3282 (2025). https://doi.org/10.1038/s41591-025-03983-2
L'intelligence artificielle générative (IAG) peut automatiser un nombre croissant de tâches biomédicales, allant de l'aide à la décision clinique à la conception et à l'analyse d'études de recherche.
L'IAG utilise l'apprentissage automatique et les architectures de modèles de type Transformer pour générer des données textuelles, visuelles et sonores utiles en réponse aux requêtes des utilisateurs.
Alors que les précédentes applications biomédicales d'apprentissage profond utilisaient des ensembles de données généralistes et d'énormes volumes de données étiquetées pour l'entraînement, il apparaît désormais que les modèles d'IAG peuvent être plus performants avec moins de données d'entraînement, par exemple en utilisant des ensembles de données plus petits et spécifiques au domaine.
L'IAG utilise l'apprentissage automatique et les architectures de modèles de type Transformer pour générer des données textuelles, visuelles et sonores utiles en réponse aux requêtes des utilisateurs.
Alors que les précédentes applications biomédicales d'apprentissage profond utilisaient des ensembles de données généralistes et d'énormes volumes de données étiquetées pour l'entraînement, il apparaît désormais que les modèles d'IAG peuvent être plus performants avec moins de données d'entraînement, par exemple en utilisant des ensembles de données plus petits et spécifiques au domaine.
De plus, les techniques d'IA ont évolué d'un entraînement entièrement supervisé vers des approches moins gourmandes en étiquetage, telles que l'apprentissage par renforcement faiblement supervisé ou non supervisé. Les itérations récentes de l'IAG, comme les agents, les modèles de mélange d'experts et les modèles de raisonnement, ont encore étendu leurs capacités pour assister les utilisateurs dans des tâches complexes et à plusieurs étapes.
Nous présentons ici un aperçu des avancées techniques récentes en matière d'IAG. Nous explorons le potentiel de la dernière génération de modèles pour améliorer les soins de santé pour les cliniciens et les patients, et discutons des approches de validation à l'aide d'exemples spécifiques pour illustrer les défis et les opportunités pour les travaux futurs.
Un avis d'expert
LIONEL REICHARDT / Fondateur de 7C’S Health | Pharmageek – Influenceur, Formateur et Conférencier en e-santé - membre du Board @ SOFIA_santéFondateur de 7C’S Health | Pharmageek – Influenceur, Formateur et Conférencier en e-santé - membre du Board @ SOFIA_santé
“L’IA générative promet l’efficience. Elle apporte surtout une nouvelle complexité.” #IAtrogénique
Insight principal
La revue Nature Medicine montre une chose simple : plus l’IA générative gagne en puissance, plus la médecine devient dépendante d’outils opaques, sophistiqués… et difficiles à intégrer dans le réel.
Le risque n’est pas seulement technique : il est organisationnel, cognitif, systémique.
Insight principal
La revue Nature Medicine montre une chose simple : plus l’IA générative gagne en puissance, plus la médecine devient dépendante d’outils opaques, sophistiqués… et difficiles à intégrer dans le réel.
Le risque n’est pas seulement technique : il est organisationnel, cognitif, systémique.
Analyse documentée (courte, clinique, impertinente)
🔹 Fait scientifique
Les modèles génératifs explosent en capacités : fondations multimodales, raisonnements chain-of-thought, diffusion models, modèles agents, distillation, RAG, etc.
Mais chaque avancée crée plus d’abstraction, plus de dépendance, plus d’opacité.
La revue le répète : la plupart des validations restent expérimentales, hors contexte réel, et rarement prospectives.
🔹 Analyse
On célèbre des modèles qui “approchent les experts” sur des benchmarks… mais ces performances s’effondrent dès que l’on quitte les données propres et les scénarios idéalisés.
Les usages prometteurs (documentation, triage, prévision, assistant clinique) masquent un angle mort majeur : le coût organisationnel, la vérification humaine permanente, la dérive possible des performances.
L’IA générative est un exosquelette cognitif : elle aide, mais affaiblit si l’on s’y appuie trop tôt.
🔹 Alerte
La revue est claire : sans supervision stricte, sans essais cliniques robustes, sans gouvernance, l’IA générative devient un “système autonome” qui produit des décisions difficiles à auditer et encore plus difficiles à corriger.
L’iatrogénèse numérique commence par des modèles trop sûrs d’eux et des organisations pas assez préparées.
Ce n’est pas de la science-fiction. C’est écrit noir sur blanc.
Implications concrètes (version LinkedIn, nette)
✔️ Exiger des validations prospectives, pas seulement des benchmarks flatteurs.
✔️ Intégrer systématiquement un human-in-the-loop dans toutes les fonctions cliniques.
✔️ Auditer la dérive, la cohérence et l’explicabilité : tous les modèles dégradent. Aucun n’est stable.
✔️ Préparer les organisations avant de déployer les modèles — sinon, l’IA accélère le chaos.
✔️ Former les équipes à la pharmacovigilance algorithmique : surveillance continue des effets secondaires.
Punchline iatrogénique
« L’IA générative n’est pas un outil neutre. C’est un amplificateur – du meilleur comme du pire. »
Ce post appartient à l’univers IAtrogénique × IAtus, mes deux IA complémentaires. Chaque réflexion possède son “double” : une version critique (IAtrogénique) et une version narrative (IAtus). Vous pouvez lire le post équivalent écrit par l’autre IA dans mon fil.
ADDENDUM
Rabbani, S.A.; El-Tanani, M.; Sharma, S.; Rabbani, S.S.; El-Tanani, Y.; Kumar, R.; Saini, M. Generative Artificial Intelligence in Healthcare: Applications, Implementation Challenges, and Future Directions. BioMedInformatics 2025, 5, 37. https://doi.org/10.3390/biomedinformatics5030037
https://www.mdpi.com/2673-7426/5/3/37
Article en libre accès
Commentaire
IA générative en médecine : un partenaire potentiel et non un ennemi potentiel. Son intégration responsable dans le système de santé doit être bénéfique. Les interconnexions entre le médecin et l'IA doivent se faire sous la dépendance du médecin, point majeur de cette histoire ! Un outil doit rester un outil.
Copyright : Dr Jean-Pierre Laroche / 2025
IA générative en médecine : un partenaire potentiel et non un ennemi potentiel. Son intégration responsable dans le système de santé doit être bénéfique. Les interconnexions entre le médecin et l'IA doivent se faire sous la dépendance du médecin, point majeur de cette histoire ! Un outil doit rester un outil.
Copyright : Dr Jean-Pierre Laroche / 2025