Chapitre 2 — Intelligence artificielle en santé · Topic 2 · Leçon 2.1
L’IA connexionniste (ou IA numérique) rompt radicalement avec l’IA symbolique : au lieu d’être programmée par des règles écrites par un expert, elle apprend directement à partir de données. Ses briques fondamentales sont les neurones formels, assemblés en réseaux dont la profondeur donne son nom au deep learning. Cette leçon retrace la genèse de ces modèles, de McCulloch & Pitts (1943) à la révolution ImageNet (2012), et présente les grandes familles d’architectures utilisées aujourd’hui en médecine.
🎯 Objectifs pédagogiques
- Distinguer IA symbolique et IA connexionniste ;
- Décrire le neurone formel de McCulloch & Pitts et le perceptron de Rosenblatt ;
- Expliquer ce qu’est un réseau de neurones profond et pourquoi on parle de deep learning ;
- Citer la rupture ImageNet 2012 (AlexNet) et ses trois moteurs (données, puissance, algorithmes) ;
- Reconnaître les architectures CNN, RNN et Transformers et leurs domaines d’usage.
🧭 Plan de la leçon
- De l’IA symbolique à l’IA connexionniste
- Le neurone formel (McCulloch & Pitts, 1943)
- Du perceptron aux réseaux multicouches
- Le deep learning et la révolution ImageNet 2012
- Les grandes architectures modernes (CNN, RNN, Transformers)
1. De l’IA symbolique à l’IA connexionniste
Le cours de Sorbonne oppose deux grandes approches de l’IA :
- L’IA symbolique (dite « à base de connaissances ») : un expert humain écrit les règles logiques « SI symptômes A et B, ALORS maladie X ». Elle est explicable mais rigide, coûteuse à maintenir et limitée aux domaines bien formalisés (voir leçon 1.2).
- L’IA connexionniste (dite « à base de données ») : aucune règle n’est explicitement programmée, le système découvre lui-même les régularités à partir d’un grand nombre d’exemples. Elle produit des prédictions sous forme de probabilités, plus performantes mais souvent moins explicables.
Le machine learning (ML, « apprentissage machine ») est le nom générique de cette famille ; le deep learning en est une sous-branche fondée sur les réseaux de neurones profonds.
L’adjectif renvoie au fait que la connaissance n’est plus stockée dans des règles écrites, mais distribuée dans les connexions (poids synaptiques) entre les unités du réseau. C’est une analogie directe avec le cerveau, où le savoir ne réside pas dans un neurone particulier mais dans la topologie et la force des connexions synaptiques (INSERM, dossier « Cerveau et apprentissage »).
2. Le neurone formel (McCulloch & Pitts, 1943)
En 1943, le neurophysiologiste Warren McCulloch et le logicien Walter Pitts publient A Logical Calculus of the Ideas Immanent in Nervous Activity. Ils proposent une modélisation mathématique du neurone biologique : le neurone formel.
- Il reçoit plusieurs entrées pondérées (x1, x2… xn).
- Il en calcule la somme pondérée (Σ wi·xi).
- Si cette somme dépasse un seuil, le neurone « s’active » (sortie = 1) ; sinon il reste inactif (sortie = 0).
Cette idée — la combinaison linéaire d’entrées suivie d’un seuil — est le socle de tous les modèles neuronaux modernes.
Pitts, autodidacte sans-abri à 15 ans, avait lu seul les Principia Mathematica de Russell et Whitehead. McCulloch, psychiatre et poète, rêvait d’une théorie logique du cerveau. Leur article de 1943 pose les bases de la cybernétique et inspire directement les architectures informatiques de Von Neumann (Institut Pasteur, chaire d’histoire des sciences ; MIT Press, Embodiments of Mind).
3. Du perceptron aux réseaux multicouches
En 1957, le psychologue Frank Rosenblatt conçoit le perceptron à l’université Cornell (Buffalo, USA). C’est le premier neurone formel capable d’apprendre : ses poids wi ne sont plus fixés à la main, mais ajustés automatiquement à chaque erreur commise sur un exemple d’entraînement (règle d’apprentissage de Rosenblatt).
Le perceptron est le premier système d’apprentissage automatique au sens moderne : on lui fournit des images étiquetées, il apprend à les classer.
En 1969, Marvin Minsky et Seymour Papert (MIT) publient Perceptrons et démontrent qu’un perceptron à une seule couche ne peut pas apprendre la fonction XOR (ou exclusif). Cette limitation, largement médiatisée, provoque un effondrement des financements de l’IA connexionniste pendant près de 15 ans. C’est le premier hiver de l’IA (années 1970).
La solution existe en théorie dès les années 1960 : empiler plusieurs couches de neurones. Un tel réseau — appelé perceptron multicouches (MLP) — comprend :
- une couche d’entrée (les données brutes) ;
- une ou plusieurs couches cachées ;
- une couche de sortie (la prédiction).
En 1986, Rumelhart, Hinton et Williams popularisent l’algorithme de rétropropagation du gradient (backpropagation), qui permet enfin d’ajuster efficacement les poids d’un réseau à plusieurs couches. L’IA connexionniste redémarre.
4. Le deep learning et la révolution ImageNet 2012
Le deep learning (apprentissage profond) est une sous-branche du machine learning fondée sur des réseaux de neurones à nombreuses couches cachées. Plus le réseau est profond, plus il peut apprendre des représentations abstraites : dans une image, les premières couches détectent des bords, les suivantes des textures, puis des motifs, puis enfin des objets entiers.
En 2012, lors de la compétition annuelle ImageNet (reconnaissance d’objets sur 1,2 million d’images), le réseau AlexNet conçu par Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton (Université de Toronto) écrase la concurrence : 15,3 % d’erreur contre 26,2 % pour le second. C’est la naissance médiatique du deep learning moderne.
Cette rupture est rendue possible par trois facteurs concomitants :
- L’explosion des données disponibles (Internet, bases annotées comme ImageNet) ;
- La puissance de calcul des cartes graphiques (GPU) détournées du jeu vidéo pour le calcul matriciel ;
- Des progrès algorithmiques (fonctions d’activation ReLU, dropout, initialisation…).
Geoffrey Hinton recevra en 2018 le prix Turing (aux côtés de Yann LeCun et Yoshua Bengio) pour ces travaux, et en 2024 le prix Nobel de physique pour ses contributions aux réseaux de neurones (NobelPrize.org).
5. Les grandes architectures modernes
Le cours de Sorbonne mentionne que « différents réseaux existent selon les données : CNN pour les images, LSTM pour les données séquentielles ». Voici les trois grandes familles à connaître :
| Architecture | Type de donnée | Applications médicales |
|---|---|---|
| CNN (Convolutional Neural Network) |
Images, signaux 2D | Radiologie, dermatologie, anatomopathologie, fond d’œil |
| RNN / LSTM (Recurrent Neural Network) |
Séquences temporelles | ECG, EEG, séries de signes vitaux, langage |
| Transformer (2017, Vaswani et al.) |
Texte, séquences longues | Comptes rendus, chatbots médicaux, GPT, Med-PaLM |
En 2017, des chercheurs de Google publient « Attention is all you need » et introduisent l’architecture Transformer, fondée sur le mécanisme d’attention. Contrairement aux RNN qui traitent les mots un à un, le Transformer analyse la phrase entière en parallèle et pondère l’importance de chaque mot par rapport aux autres. C’est cette architecture qui a rendu possible GPT, Llama, Gemini, Mistral et l’ensemble des LLM actuels (voir leçon 2.3). Elle est également utilisée en biologie pour prédire le repliement des protéines : AlphaFold 2 (DeepMind, 2020) — prix Nobel de chimie 2024 pour Hassabis et Jumper — est un Transformer (Nature, 2021 ; NobelPrize.org).
Dès 2017, une équipe de Stanford (Esteva et al., Nature) montre qu’un CNN entraîné sur 129 450 photos de peau égale les dermatologues certifiés pour la détection des mélanomes. Depuis, la HAS a publié en 2023 un premier référentiel d’évaluation des dispositifs médicaux à base d’IA, et la FDA américaine a autorisé plus de 700 dispositifs médicaux à composante IA en 2024 (FDA, List of AI/ML-enabled devices).
🧠 À retenir absolument
- IA connexionniste = apprend depuis les données, contrairement à l’IA symbolique (règles écrites).
- Neurone formel : McCulloch & Pitts, 1943 — somme pondérée + seuil.
- Perceptron : Rosenblatt, 1957 — premier neurone qui apprend ses poids.
- Deep learning = réseau de neurones profond (nombreuses couches cachées), sous-branche du ML.
- 2012 — AlexNet (Krizhevsky, Sutskever, Hinton) gagne ImageNet : essor du deep learning.
- Trois moteurs de la révolution 2012 : données + GPU + algorithmes.
- CNN pour l’image, RNN/LSTM pour les séquences, Transformer (2017) pour le texte et les LLM.
- Hinton, LeCun, Bengio : Turing 2018. Hinton : Nobel de physique 2024.
❓ Questions fréquentes
Un neurone formel ressemble-t-il vraiment à un neurone biologique ?
Grossièrement. On y retrouve la logique entrées → intégration → seuil de décharge, ce qui rappelle le potentiel d’action. Mais un vrai neurone est bien plus complexe : canaux ioniques, plasticité synaptique, neuromodulation, arborisation dendritique riche. Le neurone formel est une abstraction mathématique utile pour construire des systèmes qui apprennent, pas une simulation biologique fidèle.
Pourquoi le deep learning explose-t-il en 2012 et pas avant ?
Parce que les trois ingrédients nécessaires ne sont réunis qu’à ce moment : des bases de données massives et annotées (ImageNet compte 1,2 million d’images), une puissance de calcul abordable grâce aux GPU détournés du jeu vidéo, et des astuces algorithmiques (ReLU, dropout) qui rendent l’entraînement de réseaux profonds stable. Avant, les idées existaient, mais on ne pouvait ni les alimenter, ni les faire tourner.
Pourquoi les CNN sont-ils si bons en imagerie médicale ?
Parce qu’ils exploitent une propriété de l’image : les motifs sont locaux et invariants par translation. Une micro-calcification suspecte a la même signature quel que soit son emplacement sur la mammographie. Les filtres de convolution apprennent à détecter ces motifs localement, puis les combinent hiérarchiquement — comme le cortex visuel qui empile la détection des bords, des textures et des formes.
Pourquoi parle-t-on de « boîte noire » pour les réseaux profonds ?
Parce qu’un réseau à des millions de paramètres ne délivre pas de raisonnement lisible, à la différence d’une règle « SI…ALORS » de l’IA symbolique. Il donne une probabilité (« 87 % de chances qu’il s’agisse d’un mélanome »), mais sans justifier explicitement pourquoi. C’est l’enjeu de l’IA explicable (XAI) : cartes de saillance, exemples contrefactuels, mécanismes d’attention — pour rendre la décision auditable, ce qui est indispensable en médecine.
Un Transformer, c’est encore un réseau de neurones ?
Oui : c’est un empilement de couches de neurones formels. Ce qui change, c’est le mécanisme d’attention : chaque unité peut « regarder » toutes les autres positions de la séquence d’entrée en parallèle, au lieu de les traiter séquentiellement comme un RNN. Ce parallélisme le rend beaucoup plus rapide à entraîner sur GPU, ce qui a permis d’atteindre les tailles gigantesques des LLM actuels (des centaines de milliards de paramètres).
🚀 Pour aller plus loin
Contenu pédagogique original — Réussir SVT. L’équipe Réussir SVT.