Lorsque les chercheurs de la Harvard Medical School et du centre médical Beth Israel Deaconess ont comparé leur nouveau modèle d'intelligence artificielle avec de vrais médecins dans le diagnostic initial, le résultat s'est avéré inconfortable pour la communauté médicale : dans certains scénarios, l'IA était plus précise. Cela ne signifie pas que l'algorithme remplacera le médecin — mais cela signifie que la question « qui pose le diagnostic » n'est plus aussi univoque.
Le modèle qui lit la tumeur
Le modèle CHIEF (Clinical Histopathology Imaging Evaluation Foundation) de Harvard a été entraîné sur 15 millions de coupes numériques de tissus tumoraux. Selon le journal Cancer (Wiley), il surpasse les autres principales méthodes d'IA jusqu'à 36% dans un ensemble de tâches diagnostiques — allant de la détection des cellules cancéreuses à la prédiction de la survie du patient et de la réponse au traitement.
« Notre ambition est de créer une plateforme flexible et universelle, semblable à ChatGPT, qui effectue un large éventail de tâches de diagnostic oncologique »
Kun-Hsing Yu, professeur agrégé du département d'informatique biomédicale de la Harvard Medical School
C'est important : CHIEF ne détecte pas simplement la présence du cancer. Il prédit le profil moléculaire de la tumeur sur la base des caractéristiques visuelles des cellules — sans tests génétiques supplémentaires. Pour les patients dans les pays sans diagnostic moléculaire développé, cela pourrait signifier un accès au traitement personnalisé là où il n'existait pas auparavant.
En même temps, une autre étude de Harvard a révélé un effet secondaire troublant : les modèles d'IA pathologiques sont capables de lire les caractéristiques démographiques du patient (âge, sexe, race) directement à partir des coupes de tissu. Cela introduit un biais potentiel dans le diagnostic — différent pour différents groupes de population.
Accouchement prématuré : de 39% de sensibilité à l'approbation de la FDA
Une direction parallèle — l'obstétrique. La société Ultrasound AI a publié les résultats de l'étude PAIR (Perinatal Artificial Intelligence in Ultrasound) dans The Journal of Maternal-Fetal & Neonatal Medicine. Son modèle analyse des images échographiques standard et prédit la date exacte de l'accouchement avec un indicateur R²=0,95 pour les accouchements à terme et R²=0,92 pour tous les cas.
Spécifiquement pour les accouchements prématurés : après plusieurs itérations d'entraînement, la sensibilité du modèle a augmenté, tandis que la spécificité s'est maintenue à 93%. La FDA a accordé au dispositif une approbation De Novo — reconnaissant ainsi sa justification clinique en tant que nouvelle catégorie de dispositif médical.
Les développeurs insistent particulièrement sur l'application dans les « déserts obstétricaux » — les régions sans accès à des soins hautement spécialisés. L'outil ne nécessite pas d'équipement nouveau : il fonctionne avec les données échographiques déjà collectées dans les cliniques ordinaires.
Ce qui se tient entre l'algorithme et le patient
La précision technique n'est pas le seul obstacle. Parmi les problèmes non résolus :
- Biais des données : les modèles entraînés sur des échantillons homogènes fonctionnent moins bien sur les groupes sous-représentés — cela a déjà été documenté dans les études de pathologie de Harvard.
- Lacune réglementaire : la FDA approuve les outils individuels, mais il n'existe pas encore de norme d'audit unique pour le diagnostic par IA dans la pratique clinique.
- Responsabilité : si l'IA s'est trompée — qui porte la responsabilité juridique : le développeur, le médecin qui a fait confiance au système, ou l'hôpital ?
Tant que les régulateurs ne donneront pas une réponse claire à la question de la responsabilité, le déploiement massif du diagnostic par IA dans la pratique clinique restera l'affaire d'enthousiastes, et non du système. Si l'année prochaine apparaît un précédent judiciaire concernant l'erreur d'un outil d'IA approuvé par la FDA — cela changera l'industrie plus rapidement que n'importe quelle nouvelle recherche sur la précision.
