Chapitre 2 — Intelligence artificielle en santé · Topic 2 · Leçon 2.2
Le machine learning se décline en trois grandes familles selon la manière dont le système apprend à partir des données : avec des exemples déjà étiquetés (apprentissage supervisé), sans étiquettes (apprentissage non supervisé), ou par essai-erreur guidé par une récompense (apprentissage par renforcement). Cette leçon présente les trois paradigmes, leurs applications en santé, ainsi que les notions transversales indispensables : jeux d’entraînement/validation/test et sur-apprentissage.
🎯 Objectifs pédagogiques
- Distinguer supervisé, non supervisé et par renforcement ;
- Citer un exemple médical concret pour chaque famille ;
- Expliquer les tâches de classification et de régression ;
- Comprendre le clustering et la réduction de dimension ;
- Comprendre la partition entraînement / validation / test et le sur-apprentissage.
🧭 Plan de la leçon
- Apprentissage supervisé — apprendre à partir d’exemples annotés
- Apprentissage non supervisé — découvrir des structures cachées
- Apprentissage par renforcement — apprendre par récompense
- Entraînement, validation, test et sur-apprentissage
1. Apprentissage supervisé
En apprentissage supervisé, on fournit au système un ensemble d’exemples annotés — chaque donnée est accompagnée de la bonne réponse attendue. Le modèle apprend à retrouver cette réponse et à la généraliser à de nouvelles données jamais vues.
Le cours donne l’exemple emblématique de la mammographie : on présente au système des milliers de clichés annotés « lésion suspecte : oui / non ». Après apprentissage, le modèle sait proposer une prédiction pour une mammographie nouvelle.
| Type de tâche | Sortie prédite | Exemple médical |
|---|---|---|
| Classification | Catégorie (oui/non, malade/sain, type de lésion) | Cliché de fond d’œil → rétinopathie diabétique ou non |
| Régression | Valeur numérique continue | Données cliniques → estimation du DFG rénal |
Une grande partie des dispositifs médicaux à base d’IA autorisés en Europe et aux États-Unis relèvent de l’apprentissage supervisé en imagerie : radiographie thoracique, scanner, IRM, dermatoscopie, anatomopathologie numérique. Les études cliniques publiées dans Nature Medicine, The Lancet Digital Health ou JAMA démontrent régulièrement des performances comparables voire supérieures à celles de radiologues expérimentés pour des tâches ciblées (Esteva et al., Nature, 2017 ; Rajpurkar et al., Nature Medicine, 2022).
2. Apprentissage non supervisé
En apprentissage non supervisé, aucune étiquette n’est fournie : le système observe seulement les données brutes et doit en découvrir la structure. Le cours de Sorbonne mentionne les deux techniques principales : le clustering et la réduction de dimension.
Le clustering regroupe les données qui se ressemblent, sans savoir à l’avance en combien de groupes ni sur quels critères. L’exemple du cours : une nouvelle mammographie non annotée est « classée avec celles qui lui ressemblent ».
En médecine, le clustering sert notamment à découvrir des sous-groupes de patients à partir de données cliniques, biologiques ou génomiques : par exemple, identifier plusieurs phénotypes de sepsis, d’asthme sévère ou de diabète de type 2, chacun répondant à des traitements différents (The Lancet Respiratory Medicine, 2019, sur les phénotypes d’asthme).
La réduction de dimension résume des données comportant des centaines ou des milliers de variables (par exemple l’expression de 20 000 gènes) en quelques dimensions synthétiques qui capturent l’essentiel de la variabilité. Cela permet de visualiser les données (nuages de points 2D/3D) et de préparer une autre analyse. En transcriptomique, ces méthodes (ACP, t-SNE, UMAP) sont désormais un standard (INSERM, ateliers de bio-informatique).
3. Apprentissage par renforcement
Dans l’apprentissage par renforcement, un agent agit dans un environnement : à chaque action, il reçoit une récompense (positive ou négative) et cherche à maximiser la récompense cumulée à long terme. Il n’y a ni règle écrite, ni exemple étiqueté : l’apprentissage se fait par essai-erreur.
En 2016, le programme AlphaGo de DeepMind (Google) bat le champion sud-coréen Lee Sedol au jeu de go (4-1). Le go était considéré comme hors de portée de l’IA à cause de son immense nombre de coups possibles. AlphaGo combine réseaux de neurones profonds et apprentissage par renforcement par auto-parties. Sa successeur, AlphaGo Zero (2017), apprend sans aucune partie humaine, en jouant contre lui-même. C’est la démonstration la plus spectaculaire de cette approche.
- Optimisation de traitement : ajustement dynamique des doses (insulinothérapie, anticoagulants, sédation en réanimation) selon la réponse observée.
- Jumeau numérique du patient (digital twin) : modèle informatique alimenté par les données réelles du patient, sur lequel un agent peut « essayer » virtuellement plusieurs stratégies thérapeutiques avant que le clinicien ne choisisse la meilleure.
- Planification radiothérapeutique : optimisation des faisceaux pour maximiser la dose sur la tumeur et minimiser l’atteinte des tissus sains.
- Robotique chirurgicale assistée : apprentissage de gestes précis par simulation.
La prédiction de la structure 3D des protéines par AlphaFold 2 (DeepMind, 2020) combine deep learning supervisé et principes issus du renforcement. Elle est considérée comme l’une des plus grandes avancées scientifiques du siècle et a valu le prix Nobel de chimie 2024 à Demis Hassabis et John Jumper (NobelPrize.org).
4. Entraînement, validation, test et sur-apprentissage
Avant tout entraînement, on divise l’ensemble des données en trois sous-ensembles disjoints :
| Sous-ensemble | Rôle | Proportion typique |
|---|---|---|
| Entraînement (training) | Ajuster les poids du modèle | ~ 70 % |
| Validation | Choisir les hyperparamètres, arrêter l’entraînement au bon moment | ~ 15 % |
| Test | Évaluer la performance finale sur des données jamais vues | ~ 15 % |
Les données de test ne doivent jamais avoir servi à l’entraînement, sinon la performance mesurée est biaisée à la hausse.
Le sur-apprentissage survient lorsque le modèle apprend par cœur les données d’entraînement — bruit et particularités comprises — au lieu d’en extraire des règles généralisables. Signature typique : excellente performance sur les données d’entraînement, chute brutale sur les données de test.
Analogie médicale : un étudiant qui aurait mémorisé les corrigés d’anciens sujets sans comprendre les concepts : brillant sur les sujets déjà vus, perdu devant une nouvelle question.
Stratégies : augmenter le nombre de données, simplifier le modèle, utiliser des techniques de régularisation (dropout, weight decay), arrêter l’entraînement précocement (early stopping).
Un modèle n’est jamais meilleur que ses données. Si le jeu d’entraînement est majoritairement composé de patients d’une certaine origine ethnique, d’un certain genre ou d’un certain âge, le modèle sera moins performant sur les patients sous-représentés. C’est un enjeu éthique majeur, abordé par la HAS (référentiel 2023 sur l’évaluation des DM à base d’IA) et par l’EMA dans son cadre Reflection paper on AI in the medicinal product lifecycle (2024).
Le cours de Sorbonne insiste sur l’interprétabilité : capacité d’un système d’apprentissage automatique à expliquer ses prédictions. Quelles variables ou zones de l’image ont pesé sur la décision ? Quelles règles ont émergé ? Quels exemples d’entraînement ont influencé la sortie ? En médecine, l’exigence est particulièrement forte — une décision opaque est difficile à opposer à un patient ou à un régulateur.
🧠 À retenir absolument
- 3 familles d’apprentissage : supervisé (exemples étiquetés), non supervisé (motifs cachés), par renforcement (récompense).
- Supervisé : classification (catégorie) ou régression (valeur numérique). Exemple : mammographies annotées.
- Non supervisé : clustering et réduction de dimension. Découverte de sous-groupes de patients.
- Par renforcement : AlphaGo (2016), optimisation de traitement, jumeau numérique.
- Partition des données : entraînement (~70 %) / validation (~15 %) / test (~15 %). Le test doit être jamais vu.
- Sur-apprentissage : excellent sur l’entraînement, mauvais sur le test → généralisation ratée.
- Un modèle est autant biaisé que ses données : enjeu éthique majeur.
❓ Questions fréquentes
Comment choisir entre supervisé, non supervisé et renforcement ?
Ça dépend de la question et des données. Si vous avez des exemples déjà étiquetés (mammographies labellisées, ECG classés par un cardiologue), c’est du supervisé. Si vous voulez découvrir des groupes ou des structures que personne n’a définis à l’avance (sous-types de tumeurs, phénotypes de patients), c’est du non supervisé. Si vous cherchez la meilleure stratégie dans le temps face à un environnement qui répond (ajustement d’un traitement, planification d’un geste), c’est du renforcement.
Pourquoi l’annotation est-elle le nerf de la guerre en supervisé ?
Parce qu’elle est coûteuse et lente. Faire annoter des milliers de scanners par des radiologues certifiés demande du temps, de la coordination inter-annotateurs et un budget conséquent. C’est souvent le facteur limitant du projet, plus que la puissance de calcul ou la sophistication du modèle. D’où l’intérêt croissant pour l’apprentissage semi-supervisé ou auto-supervisé, où le modèle exploite d’abord des données non annotées avant d’être affiné sur un petit corpus étiqueté.
Qu’est-ce qu’un « jumeau numérique » du patient ?
C’est un modèle informatique — parfois anatomique, parfois physiologique, parfois statistique — qui représente un patient donné et se met à jour avec ses données réelles (imagerie, biologie, capteurs). On peut « faire tourner » sur ce jumeau plusieurs scénarios thérapeutiques et choisir le plus prometteur avant d’agir sur le patient réel. Un exemple abouti : le jumeau numérique cardiaque personnalisé pour planifier une ablation d’arythmie.
Comment détecte-t-on un sur-apprentissage ?
En comparant les performances sur l’entraînement et sur la validation pendant l’apprentissage. Tant que les deux courbes progressent ensemble, tout va bien. Quand l’erreur d’entraînement continue de baisser mais que l’erreur de validation remonte, c’est le signal : le modèle commence à mémoriser plutôt qu’à généraliser. On arrête alors l’entraînement (technique de early stopping).
Une IA peut-elle vraiment battre un médecin ?
Sur des tâches ciblées et bien cadrées (dépistage d’une lésion précise sur une image standardisée), oui : plusieurs études publiées dans Nature Medicine ou Lancet Digital Health le montrent. Mais sur la prise en charge globale, qui suppose un raisonnement clinique intégré, une communication humaine et une adaptation au contexte, non. L’IA est aujourd’hui un outil d’aide à la décision, pas un substitut au médecin — c’est d’ailleurs la position constante de la HAS et de l’Ordre des médecins.
🚀 Pour aller plus loin
Contenu pédagogique original — Réussir SVT. L’équipe Réussir SVT.