L'imagerie, terrain historique du Deep Learning médical
La radiologie, l'anatomopathologie et la dermatologie sont les premières disciplines transformées par l'IA, parce qu'elles reposent sur l'image. Les réseaux profonds y atteignent, sur certaines tâches ciblées, une sensibilité comparable à celle d'experts : détection de nodules pulmonaires, repérage de lésions sur une mammographie, classification de grains de beauté suspects, segmentation de tumeurs sur IRM.
Le rôle réaliste de ces outils n'est pas de décider à la place du médecin, mais de jouer le rôle d'un second lecteur infatigable : prioriser les examens urgents, signaler ce qui mérite un second regard, réduire les oublis.
En médecine, un modèle qui a « raison » sans pouvoir expliquer pourquoi n'est pas déployable. La confiance se construit sur la traçabilité.
Au-delà de l'image
- Données de santé structurées : prédiction de risque, détection précoce de détérioration à partir des constantes et du dossier patient.
- Traitement du langage : synthèse de comptes-rendus, codage des actes, extraction d'information dans les notes cliniques.
- Découverte de médicaments : criblage et prédiction de propriétés moléculaires accélérés par l'apprentissage.
Le nœud du problème : l'explicabilité
C'est sans doute le point le plus important — et celui qui me passionne le plus. Des méthodes comme SHAP, Grad-CAM ou les cartes de saillance permettent de montrer sur quoi un modèle s'est appuyé pour décider. Sans cette couche d'interprétabilité, impossible d'auditer une erreur, de détecter un biais, ou simplement d'obtenir l'adhésion des praticiens. L'IA explicable (XAI) n'est pas un supplément d'âme en santé : c'est une condition de mise sur le marché.
Biais et généralisation
Un modèle entraîné sur une population, un appareil ou un hôpital donné peut chuter en performance ailleurs. La validation externe, sur des données indépendantes, est la seule garantie sérieuse — et elle est encore trop rare dans la littérature.
Un cadre réglementaire qui se précise
Les dispositifs médicaux à base d'IA relèvent d'une réglementation stricte (marquage CE, surveillance post-commercialisation, et désormais le cadre européen sur l'IA classant la santé comme usage « à haut risque »). Pour l'ingénieur, cela signifie une chose : la qualité, la documentation et la reproductibilité du pipeline comptent autant que la métrique finale.
Ce que j'en retiens
L'IA médicale condense tout ce qui m'intéresse dans ce métier : des modèles exigeants, une obligation d'explicabilité, et une ingénierie irréprochable parce que l'enjeu est humain. C'est un domaine où « ça marche en démo » ne suffit jamais — et c'est précisément ce qui le rend passionnant.