Chapitre 2 — Intelligence artificielle en santé · Topic 2 · Leçon 2.3
Depuis 2022, une nouvelle génération de systèmes d’IA capable de produire du contenu original — texte, image, code, voire diagnostic — s’est démocratisée avec l’arrivée grand public de ChatGPT. Cette IA générative repose sur les grands modèles de langage (LLM), les GAN et les modèles de diffusion. Cette leçon présente les principales architectures génératives, leurs usages médicaux, leurs limites (biais, hallucinations) et les cadres régulatoires qui commencent à s’imposer.
🎯 Objectifs pédagogiques
- Définir l’IA générative et la distinguer de l’IA prédictive ;
- Identifier les principales architectures : GAN, modèles de diffusion, Transformers/LLM ;
- Citer les LLM emblématiques (GPT, Llama, Gemini, Mistral) et les LLM médicaux (Med-PaLM, BioGPT) ;
- Reconnaître le phénomène d’hallucination et l’importance du prompt engineering ;
- Décrire les usages en médecine et les cadres régulatoires (HAS, ANS, AI Act, EMA).
🧭 Plan de la leçon
- De l’IA prédictive à l’IA générative
- GAN et modèles de diffusion — la génération d’images
- Les grands modèles de langage (LLM)
- Prompt engineering et hallucinations
- IA générative en médecine — usages et régulation
1. De l’IA prédictive à l’IA générative
Le cours de Sorbonne date l’émergence médiatique de l’IA générative depuis 2022, avec l’arrivée grand public de ChatGPT. La rupture n’est pas seulement technique : elle est fonctionnelle.
| IA prédictive (classique) | IA générative |
|---|---|
| Reçoit une entrée, prédit une catégorie ou une valeur | Reçoit une entrée, produit un contenu original (texte, image, audio, code) |
| Ex. : mammographie → suspecte ou non | Ex. : dictée orale du médecin → compte rendu structuré |
Le cours cite explicitement les « grands modèles de langage (LLM) » comme socle : GPT (OpenAI), BERT (Google), Med-PaLM et BioGPT pour les applications médicales.
2. GAN et modèles de diffusion — la génération d’images
Proposés en 2014 par Ian Goodfellow, les GAN font travailler deux réseaux en concurrence :
- Un générateur qui produit des images synthétiques ;
- Un discriminateur qui tente de distinguer les images réelles des images fabriquées.
Chacun s’améliore contre l’autre : le générateur finit par produire des images indiscernables des vraies. En médecine, les GAN servent à augmenter les jeux d’entraînement (générer des IRM synthétiques pour des maladies rares) ou à anonymiser des images en supprimant les traits identifiants.
Depuis 2020-2021, les modèles de diffusion (à l’origine de Stable Diffusion, DALL-E, Midjourney) ont largement supplanté les GAN pour la génération d’images. Le principe : on apprend au modèle à retirer progressivement le bruit d’une image bruitée, jusqu’à obtenir une image nette conforme à une description textuelle. Résultat : des images synthétiques de très haute qualité, guidées par un texte.
Les images synthétiques permettent d’équilibrer les jeux d’entraînement des IA médicales (pathologies rares sous-représentées), de simuler des cas cliniques pour l’enseignement, ou d’anonymiser des données en remplaçant les visages ou les tatouages sur des photos cliniques (Nature Medicine, 2023, revue sur les données synthétiques en santé).
3. Les grands modèles de langage (LLM)
Un grand modèle de langage (LLM, Large Language Model) est un réseau de neurones profond, généralement de type Transformer (voir leçon 2.1), entraîné sur d’immenses corpus de texte à prédire le mot suivant. En apprenant cette tâche apparemment simple, il finit par intégrer une représentation extrêmement riche du langage : grammaire, connaissances factuelles, style, raisonnement de surface.
Le cours cite GPT (OpenAI) et BERT (Google). Il faut y ajouter :
- Llama (Meta, ouvert) ;
- Gemini (Google DeepMind) ;
- Claude (Anthropic) ;
- Mistral (Mistral AI, français) ;
- Et côté médical : Med-PaLM (Google Research) et BioGPT (Microsoft Research).
En 2023, Google Research a publié dans Nature les performances de Med-PaLM 2 sur le USMLE (examen d’internat américain) : 86,5 % de bonnes réponses, un score classé « expert ». C’est la première fois qu’un LLM franchit ce seuil. Les auteurs insistent néanmoins sur les limites persistantes (hallucinations, biais) et sur le besoin d’une évaluation clinique rigoureuse avant tout déploiement.
4. Prompt engineering et hallucinations
Le prompt est la consigne textuelle donnée au modèle. Le prompt engineering consiste à formuler cette consigne pour obtenir la meilleure réponse possible : préciser le rôle (« Tu es un interne en cardiologie »), donner un exemple, décomposer en étapes (chain-of-thought), fournir le contexte pertinent. En médecine, un bon prompt améliore drastiquement la fiabilité et la structure de la réponse.
Une hallucination est une affirmation fausse produite avec assurance par le modèle : référence bibliographique inventée, dosage erroné, contre-indication oubliée. Le LLM ne « sait » pas — il génère la suite statistiquement la plus probable, ce qui n’est pas nécessairement vrai.
En santé, les conséquences peuvent être graves : un LLM utilisé sans encadrement peut inventer un article inexistant à l’appui d’un traitement, ou proposer une posologie dangereuse. La HAS et la Société française de radiologie insistent : toute sortie doit être vérifiée par un professionnel. Techniques de mitigation : retrieval-augmented generation (RAG, brancher le LLM sur une base documentaire validée), garde-fous en sortie, évaluation clinique préalable.
5. IA générative en médecine — usages et régulation
Le cours de Sorbonne cite trois intérêts en médecine :
- La rédaction automatique de comptes rendus médicaux à partir de notes ou d’une dictée ;
- L’aide à la documentation des dossiers patients ;
- La génération d’images médicales synthétiques pour entraîner des modèles.
Il faut y ajouter, en pratique quotidienne :
- La transcription vocale automatique des consultations, avec structuration en compte rendu (déjà déployée en radiologie, ORL, dermatologie) ;
- L’aide à la décision par explication en langage naturel de recommandations HAS ou d’articles récents ;
- La synthèse de dossier avant une consultation ou une réunion de concertation pluridisciplinaire ;
- L’éducation thérapeutique : reformulation d’ordonnances en langage courant.
- AI Act (Règlement européen sur l’IA, 2024) : applicable progressivement, il classe les IA en santé comme systèmes à « haut risque », soumis à des obligations de transparence, d’évaluation et de supervision humaine. Son article 50 impose de signaler le contenu généré par IA au lecteur (d’où la mention IA dans nos cartouches).
- HAS : référentiel 2023 pour l’évaluation des dispositifs médicaux à composante IA ; grille de lecture spécifique pour l’IA générative en cours d’élaboration.
- ANS : doctrine du numérique en santé, corpus d’exigences techniques et éthiques que doit respecter tout service numérique en santé référencé.
- EMA : Reflection paper on AI in the medicinal product lifecycle (2024) pour l’usage de l’IA dans le développement et la surveillance des médicaments.
- CNIL : recommandations sur l’entraînement de modèles à partir de données à caractère personnel.
L’entraînement d’un LLM de grande taille consomme des quantités massives d’énergie et d’eau de refroidissement (rapport 2024 de l’Agence internationale de l’énergie sur les data centers). Le déploiement à grande échelle en santé pose donc, à côté des enjeux cliniques et éthiques, une question de sobriété numérique aujourd’hui inscrite dans la feuille de route française du numérique en santé.
🧠 À retenir absolument
- IA générative = produit du contenu (texte, image, code), par opposition à l’IA prédictive.
- Émergence médiatique depuis 2022 avec ChatGPT.
- Architectures majeures : GAN (Goodfellow, 2014), modèles de diffusion (2020), Transformers/LLM.
- LLM cités par le cours : GPT, BERT, Med-PaLM, BioGPT. Autres : Llama, Gemini, Claude, Mistral.
- Usages médicaux : comptes rendus, aide à la documentation, images synthétiques d’entraînement, transcription, éducation thérapeutique.
- Hallucinations : fausses affirmations produites avec assurance → toute sortie doit être vérifiée par un professionnel.
- Prompt engineering : qualité du prompt = qualité de la réponse.
- Cadre régulatoire : AI Act (haut risque, article 50 = mention IA), HAS, ANS, EMA, CNIL.
❓ Questions fréquentes
ChatGPT et un CNN de radiologie, c’est la même chose ?
Non. Ce sont tous deux des réseaux de neurones profonds, mais leur finalité diffère. Le CNN de radiologie est prédictif : il reçoit une image et sort une catégorie (« lésion / pas lésion »). ChatGPT est génératif : il reçoit un texte et produit un texte original. Leurs architectures diffèrent (CNN convolutif vs Transformer), tout comme leurs jeux d’entraînement (images annotées vs immenses corpus de texte).
Puis-je utiliser ChatGPT pour rédiger une ordonnance ?
En l’état, non — pas sans supervision médicale rigoureuse. Un LLM généraliste peut inventer une posologie, oublier une contre-indication ou citer un article inexistant. La HAS et le Conseil national de l’Ordre des médecins rappellent que la prescription est un acte médical engageant la responsabilité du prescripteur. Un LLM peut aider à structurer, reformuler ou vérifier une ordonnance, mais la décision et la signature restent au médecin.
Pourquoi un LLM « hallucine »-t-il ?
Parce qu’il est entraîné à produire la suite statistiquement plausible, pas nécessairement vraie. S’il n’a pas rencontré la bonne information dans son entraînement — ou s’il l’a rencontrée sous des formes contradictoires — il génère quand même une réponse cohérente en surface, en interpolant à partir de ce qu’il a « vu ». Cette suite plausible peut être fausse. Les techniques de retrieval-augmented generation (RAG) réduisent ces hallucinations en obligeant le modèle à s’appuyer sur des documents sourcés.
Un LLM médical vaut-il mieux qu’un LLM généraliste ?
Sur des tâches strictement médicales, oui : Med-PaLM 2 ou BioGPT, entraînés sur des corpus scientifiques et cliniques, sont plus précis sur la terminologie et les recommandations. Mais les grands LLM généralistes récents (GPT-4, Claude, Gemini) atteignent également des scores élevés sur les examens médicaux, car leurs corpus contiennent une part significative de texte biomédical. Le choix dépend de l’usage, du cadre de sécurité et de la conformité au RGPD / HDS.
Pourquoi la mention « rédigé avec assistance IA » est-elle obligatoire ?
C’est l’application de l’article 50 de l’AI Act européen : tout contenu généré ou substantiellement modifié par une IA doit être signalé à l’utilisateur. L’objectif est la transparence : le lecteur doit pouvoir savoir qu’un texte médical, une image ou une synthèse a bénéficié d’une assistance algorithmique, et donc appliquer un niveau de vigilance approprié — notamment quant à d’éventuelles erreurs ou hallucinations.
🚀 Pour aller plus loin
Contenu pédagogique original — Réussir SVT. L’équipe Réussir SVT.