Plongée dans la diversité des données médicales

La première question clé pour saisir l’apprentissage des algorithmes d’IA est : de quelles données parle-t-on ? L’univers médical foisonne de sources, souvent disparates, toujours riches.

• Données cliniques structurées : ce sont les résultats d’analyses, les constantes, les antécédents consignés dans les dossiers patients ou les bases hospitalières. Le Health Data Hub (France) regroupe par exemple des centaines de millions de données structurées issues de l’Assurance Maladie (source : Health Data Hub).
• Données d’imagerie : radiographies, IRM, scanners… Selon l’OMS (2021), plus de 3,6 milliards d’examens d’imagerie médicale sont réalisés annuellement dans le monde.
• Données non structurées : comptes-rendus médicaux, courriers, notes de médecins, qui doivent souvent être “nettoyées” et organisées pour devenir exploitables par l’IA.
• Données issues des objets connectés : capteurs, montres, patchs qui collectent en continu une multitude de paramètres physiologiques (fréquence cardiaque, activité physique, glycémie…).

À cette palette s’ajoutent les données issues de la génomique, du microbiote ou de la biologie moléculaire, complétant la “matière première” sur laquelle les IA se structurent. Ces volumes sont massifs : à l’échelle mondiale, le volume de données de santé devrait atteindre 2314 exaoctets en 2024 selon Statista – soit mille fois plus qu’en 2013.

De la donnée brute à l’information utilisable : la préparation

L’apprentissage algorithmique ne commence pas avec des données “prêtes à l’emploi”. Un travail préalable considérable est requis pour garantir fiabilité et cohérence :

• Pseudonymisation et anonymisation pour assurer la confidentialité, selon les directives RGPD et HIPAA (États-Unis).
• Nettoyage : correction des erreurs, suppression des doublons, gestion des valeurs manquantes (près de 50% des jeux de données médicales présentent des valeurs absentes selon une étude de Nature, 2018).
• Formatage : homogénéisation des formats (unités, typologies de champs) avant l’entraînement du modèle.
• Enrichissement : association, par exemple, de l’historique du patient à des variables socio-environnementales, pour une analyse plus contextuelle.

On estime que cette phase de préparation représente jusqu’à 80% du temps total d’un projet d’IA en santé (source : MIT Technology Review). Pourtant, c’est aussi l’étape la moins visible et la plus déterminante pour la qualité de l’apprentissage.

Les grandes familles d’apprentissage automatisé en santé

Les IA “apprennent” selon différents paradigmes, chacun adapté à des situations médicales précises :

• L’apprentissage supervisé : le plus fréquent en santé. L’algorithme part de bases étiquetées (diagnostics confirmés, résultats d’examens) pour apprendre à “prédire” ces étiquettes à partir de nouvelles entrées (exemple : détection automatisée de nodules pulmonaires sur scanner).
• L’apprentissage non supervisé : pas d’étiquettes au départ, l’IA découvre seule des structures dans les données, comme le regroupement de patients par profils de risques ou de réponse à un traitement.
• L’apprentissage semi-supervisé : une partie des données est annotée, l’algorithme extrapole à partir de cet échantillon pour optimiser ses prédictions sur un grand jeu de données non-étiqueté.
• L’apprentissage par renforcement : moins répandu en soin aujourd’hui, mais exploré, par exemple, pour le pilotage de robots chirurgicaux ou la gestion personnalisée de thérapies complexes.

Un cas marquant : l’algorithme DeepMind Health (Google) a été entraîné sur plus d’un million d’images rétiniennes pour diagnostiquer la rétinopathie diabétique, atteignant des performances équivalentes à des ophtalmologistes expérimentés (source : JAMA, 2018).

Une mémoire faite d’exemples : comment se construit “l’expérience” d’une IA ?

Le cœur de l’apprentissage repose sur l’exposition répétée à des milliers, voire des millions de cas. Prenons l’exemple d’un algorithme devant repérer des anomalies sur une radiographie :

1. L’exposé à des radiographies annotées (saines/pathologiques) permet à l’algorithme de “voir” les différences statistiques.
2. Par itération, il ajuste ses poids internes (dans un réseau de neurones, ce sont des coefficients mathématiques).
3. La performance est régulièrement évaluée sur un jeu test indépendant ; si l’algorithme confond les cas sains et pathologiques, il “revoit sa copie”.

Ce processus, inspiré du fonctionnement du cerveau humain, aboutit à la création d’un “modèle” : la version finale de l’algorithme, capable d’analyser de nouvelles données non vues pendant l’entraînement.

La question des biais : quand l’apprentissage “hérite” des imperfections humaines

L’un des enjeux cruciaux évoqués dans la littérature scientifique (notamment The Lancet, 2020) concerne l’introduction de biais, parfois invisibles, lors de la phase d’apprentissage :

• Biais de sélection : un jeu de données principalement composé de patients d’un certain âge, sexe ou origine géographique conduira à des performances moindres pour les autres groupes.
• Biais d’interprétation : les annotations humaines qui servent de “vérité terrain” à l’IA peuvent être entachées de désaccords entre experts.
• Biais techniques : différences entre appareils, standards de mesure ou protocoles hospitaliers.

Une étude emblématique menée sur des algorithmes de dermatologie (Nature, 2020) a montré qu’un système pouvait atteindre une excellente performance sur peau blanche, mais voir sa précision s’effondrer sur des peaux plus foncées, faute d’exemples variés lors de l’entraînement.

Valider, généraliser, expliquer : trois défis pour l’apprentissage en santé

Une IA “adopte-t-elle” vraiment l’expérience médicale ? Trois écueils attendent tout projet sérieux :

• Validation externe : il ne suffit pas d’obtenir de bons résultats sur le jeu d’entraînement. Les algorithmes doivent être testés sur d’autres hôpitaux, d’autres populations. Ainsi, moins de 20% des études d’IA médicales publiées intègrent une validation multi-site (source : NEJM AI, 2023).
• Robustesse : la médecine pâtit d’une grande hétérogénéité ; la moindre variation (nouveau scanner, protocole modifié) peut dégrader la prédictivité de l’IA.
• Explicabilité : les “boîtes noires” ne convainquent pas. Il faut des outils pour rendre compte de “pourquoi” un algorithme recommande une action ou pose un diagnostic. Des approches comme SHAP ou LIME s’imposent pour visualiser les facteurs décisifs.

Évolutivité et obsolescence : l’apprentissage continu est-il possible ?

Le système de soins évolue en continu : nouveaux médicaments, meilleures pratiques, populations qui vieillissent… Un algorithme, aussi performant soit-il au départ, finira par “vieillir” s’il n’intègre pas de nouvelles données.

Plusieurs stratégies émergent :

• Ré-entraînement régulier : l’algorithme est mis à jour à intervalles fixes avec des données récentes pour gagner en pertinence.
• Apprentissage fédéré : les algorithmes s’entraînent localement sur plusieurs sites de soins, sans centraliser les données sensibles (ex. : Federated Learning, Google, 2019), ce qui facilite la généralisation tout en préservant la confidentialité.

L’objectif ? Éviter le “drift” – ce phénomène de glissement où un modèle perd en fiabilité faute d’adaptation continue.

Entre promesses et limites : impacts réels dans le soin

L’apprentissage des algorithmes transforme déjà certains pans de la pratique :

• Détection automatisée : sur 1000 radiographies pulmonaires, une IA correctement entraînée peut réduire de 30% les faux négatifs, selon l’étude multicentrique MOSAIIC menée en Europe en 2022.
• Découverte de nouveaux biomarqueurs : des IA ont identifié, dans les analyses omiques, des signaux prédictifs de risques cardiovasculaires avant toute détection clinique (Nature Machine Intelligence, 2022).
• Optimisation du parcours patient : à l’hôpital de Mount Sinai (New York), un algorithme de tri a permis de réduire de 26% les passages inutiles aux urgences pédiatriques (NEJM, 2022).

Toutefois, la réglementation limite leur emploi en “vie réelle” : dans l’UE, les dispositifs d’IA à visée médicale doivent être validés comme dispositifs médicaux, ce qui implique des études cliniques et une surveillance post-commercialisation (MDR 2017/745).

Des enjeux éthiques, organisationnels et sociétaux majeurs

La puissance de l’apprentissage algorithmique interroge la société : comment garantir l’équité, l’autonomie du patient, la responsabilité en cas d’erreur ? La Commission européenne comme la Haute Autorité de Santé insistent sur la nécessaire transparence et la supervision humaine des IA médicales.

• Des initiatives comme le projet européen GAIA-X dessinent des standards pour le partage sécurisé des données, tout en favorisant la souveraineté numérique.
• L’essor de l’IA “participative” – où patients et soignants participent à la conception et à la surveillance – commence à rééquilibrer la relation homme-machine.

L’apprentissage de l’IA, loin d’être purement technique, s’impose désormais comme une question politique, éthique et sociale, invitant chaque acteur à faire des choix informés et collectifs.

L’évolution rapide des algorithmes : vigilance et co-construction nécessaires

Le progrès en santé ne se décrète pas, il se construit : l’apprentissage des IA sur les données médicales repousse sans cesse les frontières de la médecine, mais oblige à une maturité nouvelle. On ne pourra se passer d’une culture de l’évaluation permanente, de la diversité des jeux de données partagés, et d’un dialogue entre tous les acteurs : chercheurs, cliniciens, patients. Plus que jamais, la valeur du progrès technologique se mesurera à sa capacité à renforcer le soin, éclairer la décision médicale et s’adapter, sans cesse, à la complexité du vivant.