Chapitre 1 / 5
Fonctionnement
L'intelligence artificielle (IA) en santé recouvre plusieurs familles d'algorithmes très différentes, qu'il est utile de distinguer avant tout usage clinique. On parle classiquement d'apprentissage automatique (machine learning) lorsque le modèle apprend des règles statistiques à partir de données — soit supervisé (cas étiquetés par des experts), soit non-supervisé (recherche de structures cachées). L'apprentissage supervisé est aujourd'hui le plus utilisé en rhumatologie clinique pour la prédiction d'évolution ou de réponse thérapeutique [1], [1]. À l'inverse, l'apprentissage non-supervisé analyse des ensembles de données brutes sans étiquettes préalables afin d'identifier des groupes homogènes de patients, ce qui s'avère extrêmement précieux pour cartographier la forte hétérogénéité systémique d'une pathologie complexe comme la polyarthrite rhumatoïde [2].
Le Deep Learning, ou apprentissage profond, utilise des architectures complexes de réseaux de neurones artificiels multicouches pour analyser des données brutes de dimension supérieure [3]. Ce modèle excelle particulièrement dans l'analyse de l'imagerie médicale (IRM, échographie de haute résolution) ou de signaux biologiques, en extrayant automatiquement des caractéristiques invisibles à l'œil nu [3, 4]. En parallèle, le traitement automatique du langage naturel, ou Natural Language Processing (NLP), permet à la machine d'analyser et de structurer sémantiquement les comptes-rendus cliniques rédigés en texte libre, transformant les notes médicales en variables exploitables [3].
Il convient de différencier rigoureusement les modèles prédictifs des modèles génératifs. Les modèles prédictifs évaluent la probabilité d'une évolution clinique ou d'une réponse à une biothérapie à partir de paramètres d'entrée bien définis [5, 6, 1]. En revanche, l'IA générative produit de nouveaux contenus originaux, textuels ou d'imagerie, en estimant la probabilité séquentielle d'apparition des mots ou des pixels d'après son entraînement de masse [3, 7]. Contrairement aux outils prédictifs, l'IA générative ne réalise aucun raisonnement logique ni calcul de probabilité d'une vérité médicale, se contentant de produire le texte le plus fluide possible [3].
Pour le rhumatologue, comprendre cette distinction est indispensable pour utiliser au mieux ces technologies en cabinet ou à l'hôpital. Alors qu'un modèle de régression gaussienne ou de classification supervisée aidera à anticiper de manière fiable une non-réponse thérapeutique à un anti-TNF, un modèle de langage génératif n'aura d'autre utilité clinique que de structurer la rédaction de correspondances ou de comptes-rendus [5, 6]. L'intégration de ces techniques doit donc être abordée de manière complémentaire, chaque modèle répondant à des exigences strictes de validation et de finalité clinique bien spécifiques [3, 4].
- Machine Learning supervisé: Algorithme guidé par des données historiques qualifiées et validées par des experts [3, 1].
- Machine Learning non-supervisé: Identification de profils cliniques ou phénotypiques latents au sein de bases de données brutes [2].
- Deep Learning (apprentissage profond): Réseaux multicouches performants pour la reconnaissance automatique de lésions en imagerie médicale [3, 4].
- IA prédictive vs générative: La première calcule des probabilités d'événements cliniques, la seconde génère du contenu sémantique probable [3, 7, 1].
En pratique pour le rhumatologue:
- Identifier la nature de l'IA proposée dans vos logiciels (aide au diagnostic d'image par Deep Learning ou prédiction thérapeutique par Machine Learning).
- Utiliser les modèles prédictifs comme des aides à la décision clinique personnalisée et non comme des prescriptions autonomes.
- Limiter l'usage de l'IA générative à la mise en forme de vos documents administratifs et comptes-rendus de consultation, sans lui déléguer l'analyse clinique primaire.