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.
Ces outils ne décident pas à la place du médecin. Ils peuvent servir de second lecteur pour prioriser les examens urgents, signaler un élément à vérifier et 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
L'explicabilité est le sujet qui m'intéresse le plus ici. Des méthodes comme SHAP, Grad-CAM ou les cartes de saillance montrent sur quoi un modèle s'est appuyé pour décider. On peut alors auditer une erreur, détecter un biais et donner aux praticiens des éléments qu'ils peuvent vérifier. En santé, l'IA explicable (XAI) fait partie des conditions 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, la qualité, la documentation et la reproductibilité du pipeline comptent autant que la métrique finale.
Ce que j'en retiens
L'IA médicale réunit ce que je cherche dans un sujet technique : des modèles exigeants et une forte contrainte d'explicabilité. L'ingénierie doit surtout rester fiable une fois la démonstration terminée. C'est cette exigence qui me donne envie de travailler dans ce domaine.