Module Santé numérique (SSH UE7) · Chapitre 2 — Intelligence artificielle en santé
Synthèse rédigée avec assistance IA à partir des cours universitaires et de sources académiques de référence.
Une machine peut-elle penser ? Poser un diagnostic ? Et si oui, sur quelles bases décide-t-elle — et qui répond de ses erreurs ?
Ce chapitre retrace 70 ans d’histoire de l’intelligence artificielle en médecine, de l’article fondateur d’Alan Turing (1950) et du colloque de Dartmouth (1956) jusqu’aux grands modèles de langage (GPT, Med-PaLM) apparus depuis 2022. Il distingue les deux grandes familles d’IA : l’IA symbolique, à base de connaissances et de règles logiques « SI…ALORS » (systèmes experts type Mycin), et l’IA numérique/connexionniste, à base de données et d’apprentissage automatique (machine learning, deep learning). Ensemble avec le Ch1 (santé numérique, définitions et acteurs) et le Ch3 (données de santé, RGPD), ce chapitre pose la toile de fond conceptuelle et technique sur laquelle reposent toutes les applications numériques en santé.
Au programme
3 topics, 7 leçons et environ 1 h 45 de contenu. Leçons courtes (12-16 min).
- Histoire de l’IA — test de Turing, colloque de Dartmouth, IA faible vs IA forte, hivers de l’IA, IA symbolique et systèmes experts médicaux (Mycin, INTERNIST, DXplain).
- IA connexionniste et apprentissage — réseaux de neurones, deep learning (AlexNet 2012), apprentissage supervisé/non supervisé/par renforcement, IA générative et grands modèles de langage (GPT, Med-PaLM).
- Applications et enjeux — imagerie médicale, aide au diagnostic, limites (biais, interprétabilité, boîte noire), enjeux éthiques et cadre réglementaire (AI Act, HAS).
À qui s’adresse ce cours ?
Aux étudiants de PASS, LAS et L1 Santé. C’est un chapitre transversal : il éclaire aussi bien les questions de Santé publique (dépistages automatisés, IA en imagerie) que celles d’éthique médicale (responsabilité, consentement, explicabilité). Les concepts d’IA symbolique et d’apprentissage automatique reviennent régulièrement dans les QCM du concours de fin de PASS.
Prérequis : Ch1 (santé numérique, e-santé, télésanté, acteurs), notions de logique élémentaire et de statistiques.
Comment ce cours est conçu
- Leçons textuelles courtes (12-16 min), avec schémas, encadrés et exemples médicaux
- Objectifs pédagogiques et plan annoncés en début de chaque leçon
- Encadrés « notion-clé », « le saviez-vous » et « attention »
- Carte « à retenir » et FAQ à la fin de chaque leçon
- Quiz formatifs (15 QCM façon concours) pour t’auto-évaluer
- Sources rigoureuses : cours Sorbonne Université 2025-2026, INSERM, HAS, Agence du Numérique en Santé, IEEE, Nature Medicine
À la fin de ce cours, tu sauras…
- Situer l’histoire de l’IA et le test de Turing (1950)
- Distinguer IA faible et IA forte, IA symbolique et IA numérique
- Décrire l’architecture d’un système expert (base de connaissances, moteur d’inférence, base de faits)
- Citer les grands systèmes experts médicaux historiques (Mycin, INTERNIST, DXplain)
- Expliquer les principes du machine learning, du deep learning et des réseaux de neurones profonds
- Différencier apprentissage supervisé, non supervisé et par renforcement
- Comprendre ce que sont l’IA générative et les grands modèles de langage (LLM)
- Identifier les principales applications médicales de l’IA (imagerie, ECG, comptes rendus)
- Nommer les limites de l’IA en santé : biais, interprétabilité, boîte noire, cadre légal
Bonne lecture — plongeons dans l’une des révolutions technologiques les plus rapides de l’histoire de la médecine.
