Trois spécialistes de la médecine, de la biologie et de l'apprentissage automatique ont expliqué comment l'IA pourrait prédire les maladies et aider à les prévenir, dans un épisode de la série de podcasts de Microsoft Research The Shape of Things to Come, animée par Doug Burger, responsable de Microsoft Research. Les invités étaient Eric Horvitz, directeur scientifique de Microsoft ; Eric Topol, vice-président exécutif de Scripps Research, que la description de l'épisode présente comme conseiller de Microsoft en matière d'IA et de santé ; et Ava Amini, responsable de recherche principale chez Microsoft.
Le diagnostic avec l'IA
Eric Horvitz a décrit un projet de Microsoft qui a fait évoluer les tests d'IA au-delà de la simple remise d'un cas complet à un modèle. Le système a plutôt été placé dans la position d'un clinicien : il recevait un premier ensemble de symptômes et d'antécédents, puis devait choisir des questions et des examens, mettre en balance la valeur de l'information et son coût, et décider du moment où se prononcer sur un diagnostic. Il a indiqué que plusieurs modèles de langage de pointe ont obtenu de bons résultats, tout en précisant que les comparaisons avec des médecins généralistes humains comportent des limites.
Selon Eric Topol, ces travaux, publiés dans Science, sont les premiers dans lesquels un système agentique est parvenu à des diagnostics plus précis que ceux des médecins comme des autres modèles de pointe. D'après lui, la précision a presque doublé par rapport à celle des médecins, et ce à moindre coût. Il a aussi cité une estimation de Johns Hopkins, qui évalue à 800 000 par an le nombre de décès ou d'invalidités dus à des erreurs de diagnostic.
Des données d'imagerie inexploitées et des modèles du patient dans sa globalité
Eric Topol a soutenu que la médecine a négligé un domaine où l'apprentissage profond a fait ses preuves : les images médicales, telles que les examens de la rétine, les radiographies thoraciques et les électrocardiogrammes. Il a cité un essai randomisé portant sur plus de cent mille femmes en mammographie et 44 essais randomisés en coloscopie, et a déclaré que ces résultats ne sont pas mis en pratique. Selon lui, presque aucune femme aux États-Unis ne bénéficie d'une lecture de ses mammographies par une IA à la pointe de la technologie ; l'alternative, a-t-il dit, consiste à la payer au sein d'un réseau très restreint.
Il a affirmé que la prochaine étape sera celle des modèles du patient dans sa globalité, combinant dossiers médicaux, images, génomique, protéomique et autres données, afin de prévoir le moment où une maladie pourrait survenir et de tester des scénarios hypothétiques. Selon lui, de tels modèles pourraient déjà donner une certaine indication sur le moment du risque, et il s'attendait à ce qu'ils arrivent à maturité avant une cellule virtuelle. Il a ajouté que l'objectif devrait aller au-delà de l'information des personnes sur leur risque, pour viser la prévention.
Les freins : adoption et incitations
Eric Topol a déclaré que ce qui manque, c'est la mise en œuvre. D'après lui, la profession médicale tarde à adopter le changement, les systèmes de santé font face à des contraintes financières et fonctionnent avec des marges très faibles, et ni les médecins ni les patients ne réclament ces avancées. Il a qualifié les raisons avancées d'excuses plutôt que de justifications valables.
Doug Burger a relayé un argument entendu lors d'une récente conférence, selon lequel le modèle économique des soins de santé est en contradiction avec la prévention. Eric Topol a répondu que les États-Unis souffrent de contre-incitations en raison de structures telles que la couverture d'assurance d'un an, alors qu'ailleurs il existe des incitations à maintenir les populations en bonne santé.
Ava Amini, qui codirige Project Ex Vivo, une collaboration de Microsoft avec le Broad Institute sur les états des cellules cancéreuses, a déclaré que l'enthousiasme pour les modèles d'IA biologiques doit désormais s'accompagner de problèmes clairs à résoudre et d'une adoption par les scientifiques expérimentaux. Elle a expliqué que la complexité multi-échelle de la biologie fait de l'intégration de données allant des molécules aux patients un défi difficile pour l'apprentissage automatique. Interrogé sur la possibilité de cartographier un jour la biologie aussi précisément qu'une puce informatique, Eric Horvitz a répondu par la négative, estimant que ses détails critiques ne seront jamais compris à un niveau atomique précis. Ava Amini s'est montrée plus prudente, disant ne pas penser que la science y parviendrait pleinement un jour, mais soutenant qu'une telle précision n'est pas nécessaire pour faire des découvertes utiles.





