Chapitre 2 — Intelligence artificielle en santé · Topic 1 · Leçon 1.2
Dans les années 1960-1970, l’IA progresse grâce à l’approche symbolique : on tente de reproduire le raisonnement d’un expert à partir de règles logiques codées à la main. Cette leçon détaille l’architecture d’un système expert (base de connaissances, moteur d’inférence, base de faits), les grands systèmes experts médicaux historiques (Mycin, INTERNIST, DXplain) et les raisons de leur déclin, avant leur retour sous forme de l’Evidence-based Medicine (EBM) dans les années 2000.
🎯 Objectifs pédagogiques
- Comprendre le principe de l’IA symbolique (règles « SI…ALORS ») ;
- Décrire l’architecture à trois modules d’un système expert ;
- Citer les systèmes experts médicaux historiques (Mycin, INTERNIST, DXplain) ;
- Distinguer chaînage avant et chaînage arrière ;
- Expliquer le déclin puis le retour de l’IA symbolique via l’EBM.
🧭 Plan de la leçon
- Principes de l’approche symbolique
- Architecture d’un système expert : les 3 modules
- Formalismes de représentation des connaissances
- Systèmes experts médicaux historiques (Mycin, INTERNIST, DXplain)
- Évaluation et limites : séduction puis déception
- Le retour : l’Evidence-based Medicine
1. Principes de l’approche symbolique
Un système expert est un système informatique capable de reproduire le raisonnement d’un médecin ou d’un expert engagé dans une démarche cognitive (diagnostic, prescription, orientation).
Le principe fondateur :
- on représente les connaissances sous forme de règles logiques « SI…ALORS » ;
- on laisse un moteur logiciel combiner ces règles pour aboutir à une conclusion (diagnostic, recommandation).
Exemple simplifié :
SI fièvre ET toux ALORS grippe
2. Architecture d’un système expert : les 3 modules
Tout système expert s’articule autour de trois modules distincts et interconnectés.
- Base de connaissances : représentation explicite et déclarative des connaissances médicales sous forme de règles « SI…ALORS », d’ontologies ou de réseaux sémantiques. Lisible en langage semi-naturel — l’expert peut la lire, la corriger, la compléter.
- Moteur d’inférence : c’est le « chef d’orchestre ». Il articule les connaissances entre elles (déduction, induction, abduction) pour construire un raisonnement à partir des données patient.
- Base de faits : ensemble des critères propres au patient (symptômes, antécédents, résultats d’examens). C’est le point d’entrée du raisonnement.
Le moteur d’inférence confronte la base de faits à la base de connaissances et déduit une proposition de décision.
Le moteur d’inférence peut fonctionner de deux façons :
- Chaînage avant (data-driven) : on part des faits et on applique les règles pour produire toutes les conclusions possibles (« j’ai fièvre + toux, quelles maladies ? »).
- Chaînage arrière (goal-driven) : on part d’une hypothèse et on cherche les faits qui la confirment (« est-ce que c’est une grippe ? Voyons les critères… »). Utilisé par Mycin.
3. Formalismes de représentation des connaissances
Une base de connaissances médicale peut prendre plusieurs formes :
- Règles logiques « SI…ALORS » utilisant la logique des prédicats : « SI symptômes A et B ALORS maladie X ». Ex. : SI fièvre ET toux ALORS grippe.
- Réseaux sémantiques : structures en graphes reliant des concepts médicaux par des relations (« est un », « cause de », « traite »).
- Ontologies : organisations hiérarchiques formalisées et lisibles des concepts médicaux. Exemples : SNOMED (Systematized Nomenclature of Medicine) et MeSH (Medical Subject Headings).
4. Systèmes experts médicaux historiques
Mycin, développé à Stanford à partir de 1972 par Edward Shortliffe, est l’un des tout premiers systèmes experts médicaux. Il aide au diagnostic des infections bactériennes (bactériémies, méningites) et à la proposition d’antibiothérapie.
- Environ 600 règles « SI…ALORS » codées à la main par un expert.
- Utilise le chaînage arrière et des facteurs de certitude pour gérer l’incertitude.
- Performances comparables à celles d’un infectiologue humain lors des évaluations académiques.
- Jamais utilisé en clinique : interface texte pour spécialistes informaticiens, questions de responsabilité juridique non résolues, mise à jour manuelle des règles trop lourde.
- INTERNIST-I (Université de Pittsburgh, années 1970-1980) : système d’aide au diagnostic en médecine interne, couvrant plusieurs centaines de maladies. Il évoluera en QMR (Quick Medical Reference) dans les années 1980.
- DXplain (Massachusetts General Hospital, 1986) : système d’aide au diagnostic couvrant plus de 2 000 maladies et 5 000 signes/symptômes. Toujours accessible aujourd’hui aux professionnels dans une version modernisée.
5. Évaluation : séduction initiale, déception pratique
- Une « technoscience magique » : l’IA symbolique est attractive sur le plan de la symbolique imaginaire.
- L’IA est explicable : quand le système propose une décision, on peut lui demander pourquoi — il déroule toutes les règles qui l’ont conduit à cette proposition. C’est l’une des grandes forces (et regret aujourd’hui) de cette approche.
- Faibles performances hors des « cas jouets » : efficaces sur des domaines très formalisés, mais dépassées face à la complexité clinique réelle.
- Critique des bases de connaissances : développées par des experts d’une école ou d’un hôpital, elles n’étaient pas acceptées par les praticiens qui ne partageaient pas les mêmes références.
- Subjectivité des experts mise en question.
- Médecins exclus du raisonnement : système perçu comme une « boîte à règles » imposée.
- Mise à jour manuelle : chaque nouvelle publication scientifique impose de réécrire ou d’ajouter des règles — travail titanesque.
👉 Conséquence : peu de développement clinique de l’IA symbolique. Les systèmes experts restent des objets de recherche universitaire.
6. Le retour : l’Evidence-based Medicine (EBM)
Au début des années 2000 émerge l’Evidence-based Medicine (EBM, « médecine fondée sur les preuves »). Ce courant établit que la médecine n’est pas un art (on ne fait pas du cas par cas) mais une science dotée de règles décisionnelles diagnostiques et thérapeutiques.
- Ces règles sont issues des essais thérapeutiques de la recherche clinique : ce sont les référentiels de bonnes pratiques.
- L’IA symbolique ne prend plus en compte l’expertise d’un individu ou d’un petit groupe (avec ses biais), mais s’appuie sur ces référentiels universels validés au niveau national ou international.
👉 En France, la Haute Autorité de Santé (HAS) produit ces référentiels et recommande leur intégration dans les logiciels d’aide à la décision médicale (LADM), qui sont, techniquement, des systèmes experts modernes.
Selon la HAS, un logiciel d’aide à la prescription (LAP) ou d’aide à la décision médicale (LADM) doit être certifié pour être remboursé par l’Assurance Maladie. Ces logiciels intègrent des règles issues de l’EBM (interactions médicamenteuses, posologies, contre-indications) et sont utilisés quotidiennement en médecine de ville et à l’hôpital. Ce sont les héritiers directs des systèmes experts des années 1970.
🧠 À retenir absolument
- IA symbolique : à base de règles logiques « SI…ALORS » codées à la main.
- 3 modules : base de connaissances + moteur d’inférence + base de faits.
- Formalismes : règles logiques, réseaux sémantiques, ontologies (SNOMED, MeSH).
- Mycin (Stanford, 1972) : pionnier, aide au diagnostic des infections bactériennes, ~600 règles, jamais utilisé en clinique.
- INTERNIST et DXplain : autres systèmes historiques (médecine interne, aide au diagnostic).
- Points forts : explicabilité (on peut demander « pourquoi ? »).
- Limites : performances faibles hors cas jouets, subjectivité des experts, mise à jour manuelle lourde → premier hiver de l’IA.
- Retour via l’EBM et les LADM certifiés (HAS) au début des années 2000.
❓ Questions fréquentes
Mycin a-t-il vraiment été utilisé pour traiter des patients ?
Non. Malgré des performances comparables à celles d’un infectiologue lors des évaluations, Mycin n’a jamais été déployé en clinique. Trois raisons principales : une interface texte peu conviviale, l’absence de cadre juridique clair pour la responsabilité en cas d’erreur (qui est responsable ? le médecin, l’informaticien, Stanford ?), et la difficulté d’intégration dans le flux de travail hospitalier des années 1970-1980. Il reste un jalon académique majeur.
Pourquoi les systèmes experts sont-ils dits « explicables » ?
Parce qu’ils raisonnent par enchaînement de règles logiques codées à la main. Quand le système propose un diagnostic, il peut afficher la liste des règles activées et des faits utilisés (« j’ai conclu grippe parce que fièvre + toux + saison hivernale »). C’est la grande différence avec le deep learning moderne, qui reste une « boîte noire » difficile à interpréter — cette question sera vue au Topic 2.
Ontologie, réseau sémantique, base de connaissances : quelle différence ?
Une ontologie est une hiérarchie formalisée de concepts (ex. : « pneumonie est une maladie infectieuse respiratoire »). Un réseau sémantique est un graphe reliant des concepts par des relations plus variées (« traite », « cause »). Une base de connaissances englobe l’ensemble : règles, ontologies, réseaux sémantiques utilisés par le système. SNOMED-CT et MeSH sont des ontologies médicales de référence.
Quel est le lien entre l’IA symbolique et l’EBM ?
Les systèmes experts anciens reposaient sur l’expertise d’un individu ou d’un petit groupe (donc biaisée). L’EBM propose d’utiliser à la place les règles décisionnelles issues des essais cliniques : recommandations de la HAS, guidelines des sociétés savantes. Les logiciels d’aide à la décision (LADM) modernes intègrent ces règles standardisées : techniquement, ce sont des systèmes experts, mais nourris par des références « universelles » et non plus individuelles.
L’IA symbolique est-elle morte ?
Non, elle est partout — mais discrètement. Les logiciels d’aide à la prescription qui alertent sur les interactions médicamenteuses, les moteurs de codage PMSI, les systèmes de gestion des recommandations HAS reposent sur des règles logiques explicites. L’IA symbolique et l’IA connexionniste ne s’opposent d’ailleurs plus : on assiste depuis les années 2020 à l’émergence de l’IA hybride (neuro-symbolique), qui combine règles et apprentissage automatique.
🚀 Pour aller plus loin
Contenu pédagogique original — Réussir SVT. L’équipe Réussir SVT.