Un radiologue examine des dizaines de mammographies par jour et la fatigue visuelle en fin de journée dégrade sa précision. Un algorithme d'apprentissage profond ne se fatigue pas, mais il ne comprend pas non plus le contexte clinique et n'assume aucune responsabilité légale. La médecine assistée par intelligence artificielle n'est pas une relève, mais une collaboration entre les deux. Cet article décrit comment l'IA s'applique au diagnostic par l'image, à la génomique et à la découverte de médicaments, et ce qu'exige le cadre réglementaire sanitaire européen — le Règlement sur les dispositifs médicaux et le Règlement sur l'IA — pour qu'un outil arrive au chevet du patient.
Diagnostic par l'image : vision artificielle clinique
Le domaine le plus mature est l'analyse de l'image médicale. Les réseaux de neurones convolutifs, et de plus en plus les vision transformers, traitent des radiographies, des tomodensitométries, des IRM et des préparations d'anatomopathologie pour des tâches de classification, de détection et de segmentation. Dans le dépistage de la rétinopathie diabétique, la détection de nodules pulmonaires en tomodensitométrie à faible dose ou la délinéation de tumeurs pour planifier la radiothérapie, ces systèmes atteignent une performance qui, dans des études contrôlées, égale celle de spécialistes pour des tâches précises.
L'enjeu technique réside dans la façon dont cette performance est mesurée. La sensibilité — proportion de malades correctement identifiés — et la spécificité — proportion de personnes saines correctement exclues — se compensent mutuellement, et la courbe ROC avec son aire sous la courbe résume cet équilibre. En dépistage, on privilégie une sensibilité très élevée même si la spécificité en pâtit, car laisser passer un cancer est bien plus grave que générer un examen complémentaire. Le seuil de décision n'est donc pas un détail : il définit le comportement clinique du système.
Médecine personnalisée et génomique
La médecine personnalisée adapte la prévention et le traitement au profil moléculaire de chaque patient. L'apprentissage automatique intervient en intégrant des données hétérogènes — variants génomiques, expression génique, dossier médical électronique, biomarqueurs — pour stratifier le risque et prédire la réponse aux médicaments. En oncologie, les modèles aident à prédire quels patients répondront à une immunothérapie précise à partir de la charge mutationnelle tumorale ; en pharmacogénomique, ils anticipent les effets indésirables selon le génotype métaboliseur du patient.
Le défi dominant est la dimensionnalité : des dizaines de milliers de gènes face à des cohortes de quelques centaines de patients. Sans une régularisation rigoureuse et une validation externe sur des cohortes indépendantes, les modèles surajustent et découvrent des corrélations fallacieuses qui ne se reproduisent pas. La reproductibilité — et non la précision sur un seul ensemble de données — est le critère qui distingue une découverte publiable d'une découverte cliniquement utile.
L'intégration de données multimodales — image, génomique, texte du dossier clinique et signaux de monitoring — constitue la frontière la plus prometteuse et la plus difficile. Chaque modalité a sa propre échelle, son propre bruit et ses propres valeurs manquantes, et les combiner exige des architectures capables d'apprendre à pondérer chaque source selon sa fiabilité. Lorsque cela fonctionne, le modèle capte des nuances qu'aucune source isolée ne révèle : un même marqueur génétique peut avoir des significations différentes selon l'image et l'évolution clinique du patient. Lorsque cela échoue, c'est généralement en raison d'une intégration naïve qui mélange des données de qualité très inégale et dilue le signal utile dans le bruit.
Découverte accélérée de médicaments
Concevoir un nouveau médicament coûte plus d'une décennie et des milliards d'euros, avec un taux d'échec très élevé. L'IA raccourcit plusieurs étapes. Dans le criblage virtuel, les modèles prédisent quelles molécules d'une immense bibliothèque se lieront à une cible thérapeutique, réduisant ainsi les essais en laboratoire. La prédiction de la structure des protéines a transformé la biologie structurale en inférant le repliement tridimensionnel à partir de la séquence d'acides aminés. Et les modèles génératifs proposent de nouvelles molécules aux propriétés pharmacologiques souhaitées, qui sont ensuite synthétisées et validées expérimentalement.
La prudence s'impose : l'IA propose des candidats, mais l'efficacité et la sécurité ne se démontrent que lors d'essais cliniques avec des personnes. Aucun modèle ne se substitue aux phases réglementaires.
Un domaine intermédiaire en croissance rapide est celui des jumeaux numériques de patients et des essais in silico, où l'on simule la réponse d'un organisme virtuel à un composé avant de passer au laboratoire. Ces simulations ne remplacent pas l'essai clinique, mais permettent d'écarter rapidement les candidats présentant un mauvais profil de toxicité et d'orienter la conception des études vers les hypothèses les plus prometteuses, ce qui réduit le nombre de personnes exposées à des molécules qui finalement échoueront. La validité de ces modèles dépend entièrement de la qualité et de la représentativité des données biologiques avec lesquelles ils sont construits.
Modèles de langage dans la documentation clinique
Au-delà du diagnostic, les modèles de langage s'imposent dans une tâche moins spectaculaire mais considérable : la charge documentaire. Un médecin consacre une partie substantielle de sa journée à rédiger des comptes rendus, à coder des diagnostics et à résumer des dossiers cliniques. Les assistants de documentation transcrivent la conversation en consultation, proposent un projet de compte rendu structuré et suggèrent les codes correspondants, que le professionnel examine et valide. Le bénéfice est de restituer du temps à la relation avec le patient. Le risque est l'hallucination : un modèle qui invente une donnée clinique plausible mais fausse peut avoir des conséquences graves ; c'est pourquoi ces systèmes fonctionnent comme un soutien avec validation humaine obligatoire et jamais comme source autonome d'information clinique. La traçabilité de ce que le modèle a généré par rapport à ce que le clinicien a écrit est, ici, une exigence de sécurité du patient.
| Application | Technique principale | Maturité | Risque réglementaire |
|---|---|---|---|
| Dépistage par l'image | CNN / vision transformer | Élevée (usage clinique réel) | Dispositif médical |
| Stratification du risque | Modèles intégratifs | Moyenne | Élevé selon l'usage |
| Criblage virtuel de médicaments | Apprentissage sur graphes | Moyenne-haute (recherche) | Faible (préclinique) |
| Assistants de documentation clinique | Modèles de langage | Émergente | Variable selon la décision |
Cadre réglementaire : dispositif médical et AI Act
Un algorithme destiné à diagnostiquer, prévenir ou traiter une maladie est, juridiquement, un dispositif médical. Dans l'Union européenne, il est régi par le Règlement (UE) 2017/745 relatif aux dispositifs médicaux, qui impose le marquage CE, l'évaluation clinique et la gestion des risques tout au long du cycle de vie. La norme ISO 13485 établit le système de management de la qualité pour les fabricants de dispositifs médicaux, et la norme ISO 14971 définit le processus de gestion des risques. Le logiciel à fonction diagnostique est généralement classé dans une catégorie de risque moyenne ou élevée, ce qui exige l'intervention d'un organisme notifié.
À cela s'ajoute le Règlement européen sur l'intelligence artificielle, qui qualifie de haut risque les systèmes d'IA utilisés comme dispositifs médicaux et leur impose une gouvernance des données, une transparence, une supervision humaine et une journalisation des activités. Le traitement des données de santé, considérées comme une catégorie particulière par le RGPD, exige des garanties renforcées : base juridique explicite, analyse d'impact et, lorsque c'est possible, anonymisation ou pseudonymisation. L'Agence espagnole des médicaments et des dispositifs médicaux supervise la commercialisation en Espagne.
Erreurs fréquentes et bonnes pratiques lors du déploiement
La première erreur consiste à entraîner le modèle avec des données d'un seul hôpital et à le déployer dans un autre disposant d'équipements, de protocoles et d'une population différents : le modèle se dégrade par déplacement de domaine. La bonne pratique est de le valider en externe sur des cohortes indépendantes avant tout usage. La deuxième erreur est d'ignorer les biais : si l'ensemble d'entraînement sous-représente un groupe démographique, le système sera moins performant avec ce groupe et amplifiera les inégalités. La troisième est de présenter la sortie du modèle comme un verdict et non comme une aide à la décision ; la supervision humaine qualifiée est une exigence clinique et légale, pas une formalité. Enfin, il convient de surveiller les performances en production, car les protocoles cliniques et la technologie d'imagerie évoluent avec le temps.
Questions fréquentes
Un algorithme peut-il émettre un diagnostic sans médecin ?
Dans la pratique clinique européenne, non. Ces outils sont des aides à la décision et fonctionnent sous la supervision d'un professionnel de santé, qui conserve la responsabilité. Le Règlement sur l'IA renforce cette exigence de supervision humaine pour les systèmes à haut risque.
Quelle est la différence entre sensibilité et spécificité dans ce contexte ?
La sensibilité mesure combien de malades le système détecte correctement ; la spécificité mesure combien de personnes saines il exclut correctement. En dépistage, on privilégie la sensibilité pour ne pas manquer de cas, en acceptant davantage de faux positifs à vérifier.
Comment les données des patients sont-elles protégées ?
Les données de santé constituent une catégorie particulière au sens du RGPD et exigent une base juridique explicite, une analyse d'impact et des mesures comme la pseudonymisation. L'accès est restreint et enregistré, et les modèles peuvent être entraînés avec des techniques qui minimisent l'exposition des données identifiables.
L'IA renchérit-elle ou réduit-elle le coût de la santé ?
Cela dépend du cas d'usage. Dans le dépistage à haut volume, elle peut prioriser les cas et réduire les délais d'attente ; dans la découverte de médicaments, elle raccourcit les étapes précliniques. Le coût réel inclut la validation clinique, la certification comme dispositif médical et l'intégration dans les systèmes hospitaliers.
Conclusion
L'IA appliquée à la santé progresse plus vite en imagerie médicale et dans la découverte préclinique de médicaments que dans la pratique diagnostique autonome, et pour de bonnes raisons : le niveau d'exigence réglementaire est délibérément élevé lorsque des vies sont en jeu. Le facteur qui décide si un outil sera effectivement utilisé n'est pas la métrique sur un seul ensemble de tests, mais la validation externe reproductible, l'absence de biais démographique et l'adéquation au cadre des dispositifs médicaux et du Règlement sur l'IA. La médecine personnalisée n'arrivera pas en remplaçant le clinicien, mais en lui apportant, au moment de la décision, une deuxième lecture quantitative et traçable. Chez Summum, nous accompagnons les établissements de santé et les entreprises de technologie médicale dans ce parcours avec rigueur méthodologique et conformité normative.