L’intelligence artificielle générative peut-elle révolutionner la médecine

L’intelligence artificielle générative s’impose progressivement comme un outil majeur dans le domaine de la santé. Elle permet d’analyser de vastes quantités de données médicales, d’aider à la prise de décision clinique et d’améliorer la qualité des soins. Une récente analyse a passé en revue 24 études pour évaluer son utilisation, ses performances et son impact environnemental.

Les modèles d’intelligence artificielle générative se divisent en deux grandes catégories : ceux qui traitent uniquement du texte et ceux qui combinent plusieurs types de données, comme des images et du texte. Les premiers, souvent pré-entraînés sur de grandes bases de données générales, sont ensuite affinés pour des tâches spécifiques en médecine. Cette étape d’affinage permet d’adapter les modèles à des besoins précis, comme le diagnostic de maladies ou l’analyse de dossiers patients, tout en réduisant le temps et les ressources nécessaires par rapport à un entraînement complet.

Les modèles multimodaux, bien que moins fréquents, se révèlent particulièrement prometteurs. Ils sont capables de traiter simultanément des images médicales et des textes, ce qui les rend adaptés à des tâches complexes comme l’interprétation de scans tout en tenant compte des antécédents du patient. Par exemple, certains modèles ont atteint des taux de précision allant jusqu’à 99,9 % pour détecter des maladies ophtalmologiques ou classer des images médicales.

Les études montrent que les modèles affinés surpassent souvent les modèles pré-entraînés en termes de précision, avec des résultats variant entre 70,6 % et 99,9 %. Ils sont utilisés pour des tâches variées : classification de maladies, réponse à des questions médicales ou encore génération de rapports. Cependant, leur entraînement reste très gourmand en ressources. Peu d’études ont mesuré l’impact environnemental de ces technologies, mais l’une d’entre elles a révélé que l’entraînement d’un modèle avait émis 486 kilogrammes de CO₂, soulignant l’empreinte carbone souvent négligée de ces outils.

Un autre défi réside dans la qualité des données utilisées. Les modèles s’appuient souvent sur des bases de données publiques ou des dossiers médicaux électroniques, mais le risque de contamination des données existe. Cela peut fausser les résultats, car le modèle pourrait apprendre à partir d’informations déjà présentes dans les ensembles de test, ce qui surestimerait ses performances réelles.

Les applications conversationnelles, comme les assistants capables de répondre à des questions médicales ou de résumer des dossiers, sont les plus répandues. Elles jouent un rôle clé dans l’interaction avec les patients et les professionnels de santé. Pourtant, malgré leur potentiel, les modèles multimodaux restent sous-utilisés, alors qu’ils pourraient mieux exploiter la diversité des données médicales, comme les images, les textes et les enregistrements.

L’évaluation des performances repose souvent sur des références standardisées, comme des jeux de données conçus pour tester la capacité des modèles à répondre à des questions médicales ou à analyser des images. Ces références permettent de comparer objectivement les différents systèmes. Cependant, il n’existe pas encore de références spécifiques pour certaines spécialités, comme la dentisterie, ce qui limite l’évaluation des modèles dans ces domaines.

Enfin, l’intégration de ces technologies dans la pratique clinique soulève des questions éthiques et de confidentialité. Les données médicales étant sensibles, leur utilisation doit être encadrée pour éviter tout risque d’identification des patients. Bien que la plupart des modèles étudiés en soient encore au stade de validation interne, leur déploiement à grande échelle nécessitera des tests rigoureux pour garantir leur fiabilité et leur sécurité.

Bases documentaires

Rapport de référence

DOI : https://doi.org/10.1186/s44398-026-00029-6

Titre : Use of generative artificial intelligence models in healthcare – a scoping review

Revue : BMC Artificial Intelligence

Éditeur : Springer Science and Business Media LLC

Auteurs : Ayesha Nooruddin; Abhishek Lal; Syed Muhammad Faizan Ahmed; Muhammad Huzaifa Ghori; Niha Adnan; Fahad Umer