Coumau Cécile

  • Étude : de nouveaux candidats antibiotiques découverts grâce à l’IA

    Les candidats les plus prometteurs ont également révélé un mécanisme d’action inédit. Ces résultats* ont été publiés le 17 juin 2026 dans la revue Science Translational Medicine.

    Les bactéries résistantes gagnent du terrain plus vite que les nouveaux antibiotiques n’arrivent sur le marché. Parmi elles, le gonocoque, responsable de la gonorrhée, inquiète particulièrement les autorités sanitaires. Au fil des décennies, cette bactérie a appris à déjouer une grande partie des traitements utilisés contre elle, au point que certains experts redoutent de voir émerger des formes de plus en plus difficiles à traiter.

    Face à cette menace, les chercheurs sont en quête de nouvelles armes. Mais la découverte d’antibiotiques se heurte à un défi de taille : l’immensité de l’espace chimique. Des millions, voire des milliards de molécules pourraient théoriquement présenter un intérêt thérapeutique. Encore faut-il savoir lesquelles méritent d’être étudiées. Les chercheurs du Wyss Institute, du MIT et du Broad Institute ont donc voulu évaluer dans quelle mesure l’intelligence artificielle pouvait aider à orienter cette recherche et accélérer l’identification de nouvelles pistes thérapeutiques contre le gonocoque.

    Explorer une bibliothèque de 6 millions de molécules

    Concrètement, les auteurs de ces travaux ont entraîné plusieurs modèles d’intelligence artificielle à partir de données portant sur près de 39 000 composés dont l’activité contre Neisseria gonorrhoeae était connue. Ces modèles ont ensuite été utilisés pour analyser virtuellement une bibliothèque d’environ six millions de molécules afin d’identifier les candidats les plus prometteurs.

    Les composés sélectionnés ont ensuite été testés contre différentes souches de gonocoque, dont certaines résistantes aux antibiotiques. Les chercheurs ont également évalué leur mode d’action ainsi que leur efficacité dans un organe-sur-puce reproduisant l’environnement vaginal humain et dans un modèle murin d’infection.

    Les résultats de cette étude ont été publiés le 17 juin 2026 dans la revue Science Translational Medicine.

    Résultats : une nouvelle thérapeutique identifiée par l’IA

    • 83 molécules actives contre N. gonorrhoeae identifiées parmi les 213 testées.
    • 2 candidats principaux (A1 et A2) retenus pour les analyses approfondies.
    • Activité démontrée contre 28 souches cliniques pour A1 et contre 31 souches pour A2.
    • Absence de résistance détectée après 30 jours d’exposition à A1 et A2.
    • Efficacité confirmée dans un modèle de vagin-sur-puce humain et dans un modèle murin d’infection génitale.
    • Identification d’une nouvelle cible thérapeutique : l’alanine racémase.

    Pour les auteurs, l’intérêt de cette approche dépasse largement la gonorrhée. La découverte de nouveaux antibiotiques se heurte aujourd’hui à un paradoxe : les molécules potentiellement intéressantes n’ont jamais été aussi nombreuses, mais les chercheurs ne peuvent en tester qu’une infime fraction. L’intelligence artificielle pourrait servir de filtre pour explorer cet immense espace chimique et orienter les efforts expérimentaux vers les candidats les plus prometteurs.

    « Les antibiotiques sont l’un des piliers de la médecine moderne, mais leur efficacité est menacée par l’émergence de résistances », rappelle l’équipe. Selon elle, cette stratégie pourrait être appliquée à d’autres bactéries prioritaires et contribuer à relancer un domaine de recherche qui peine depuis plusieurs décennies à produire de nouvelles classes d’antibiotiques.

    * Deep learning-enabled discovery of antibiotics effective against Neisseria gonorrhoeae

    Melis Anahtar, Donald Ingber, James Collins

    SCIENCE TRANSLATIONAL MEDICINE 17 Jun 2026 Vol 18, Issue 854 DOI: 10.1126/scitranslmed.ads4699

    https://www.science.org/doi/10.1126/scitranslmed.ads4699

     

  • Étude : l’IA aide à cibler les patientes prioritaires pour les examens diagnostiques (Nature)

    Le délai médian avant biopsie est passé de 64 à 9 jours chez les patientes orientées vers cette filière accélérée, selon une étude* publiée le 18 mai dans npj Digital Medicine.

    Dans de nombreux programmes de dépistage du cancer du sein, toutes les femmes suivent globalement le même parcours après une mammographie de routine, alors que leur risque réel de développer un cancer varie fortement. Cette approche uniforme peut conduire à mobiliser les mêmes ressources pour des patientes présentant des niveaux de risque très différents, alors même que les capacités diagnostiques (consultations spécialisées, imagerie complémentaire ou biopsies) restent limitées.

    Plusieurs équipes travaillent donc sur des outils capables de mieux hiérarchiser les patientes afin de concentrer les examens les plus rapides sur celles qui ont le plus de chances de développer un cancer.

    Intégrer l’IA dans un parcours de dépistage du cancer

    C’est dans cette logique que s’inscrit Mirai, un modèle d’intelligence artificielle développé par le MIT pour estimer le risque futur de cancer du sein à partir d’une mammographie. Afin d’évaluer sa plus-value, des chercheurs intégré ce score de risque dans l’organisation des soins afin de savoir s’il pouvait accélérer l’accès aux examens diagnostiques chez les femmes identifiées comme les plus à risque.

    Les chercheurs ont testé leur approche au Zuckerberg San Francisco General Hospital, un hôpital public qui accueille une population souvent éloignée du système de soins. Après une mammographie de dépistage, les femmes identifiées comme les plus à risque étaient orientées vers un circuit accéléré leur permettant d’enchaîner rapidement les différentes étapes du diagnostic, parfois au cours d’une même journée, au lieu d’attendre plusieurs semaines entre chaque rendez-vous.

    Au total, quelque 4 145 mammographies ont été analysées. Parmi les femmes identifiées comme les plus à risque, 100 ont accepté d’intégrer ce circuit accéléré. Les chercheurs ont ensuite comparé leurs délais d’accès aux examens complémentaires et aux biopsies avec ceux observés chez des patientes comparables suivies selon l’organisation habituelle du dépistage.

    Les résultats de leur étude ont été publiés le 18 mai dans npj Digital Medicine.

    Résultats : le délai avant biopsie divisé par sept

    • 525 femmes (12,7 %) ont été identifiées comme présentant le risque le plus élevé et contactées pour rejoindre le programme accéléré.
    • 100 femmes ont accepté d’intégrer ce parcours prioritaire.
    • 78 % des participantes appartenaient à des minorités raciales ou ethniques.
    • 17 % n’avaient pas d’assurance maladie.
    • 94 % des participantes ont obtenu une interprétation de leur mammographie le jour même.
    • 26 patientes ont bénéficié d’une évaluation diagnostique le jour même de leur mammographie.
    • 9 jours, c’était le délai médian avant biopsie dans le programme accéléré, contre 64 jours dans le parcours habituel.
    • 1 heure : délai médian avant évaluation diagnostique, contre plusieurs semaines dans le parcours standard.

    Si les délais sont nettement raccourcis, l’intérêt de cette expérimentation ne réside pas seulement là-dessus. Un parcours accéléré permet logiquement d’obtenir plus vite une biopsie ou des examens complémentaires. La question est ailleurs : une IA peut-elle aider à identifier les patientes qui doivent bénéficier en priorité de ces ressources ? Les résultats suggèrent que cette approche est réalisable dans les conditions réelles d’un hôpital public accueillant une population diverse et souvent confrontée à des difficultés d’accès aux soins. Les auteurs estiment ainsi avoir démontré la « faisabilité d’un programme de dépistage guidé par l’IA » dans ce contexte particulier.

    Trier avec l’IA pour l’améliorer l’équité des soins

    Cette étude illustre aussi une évolution du rôle de l’IA en médecine. Pendant des années, les chercheurs ont surtout cherché à montrer que les algorithmes pouvaient lire les images médicales aussi bien, voire mieux, que les spécialistes. Une nouvelle génération de travaux s’intéresse davantage à l’organisation des soins. L’objectif n’est plus seulement de détecter une anomalie, mais d’aider à orienter les patients et à allouer des ressources limitées. Les auteurs soulignent d’ailleurs que leur travail montre comment l’IA peut être utilisée pour « améliorer l’équité et l’efficacité des soins » au-delà de ses seules performances diagnostiques. Reste à savoir si cette stratégie permettra de diagnostiquer les cancers plus tôt et d’améliorer, à terme, le pronostic des patientes. https://www.nature.com/articles/s41746-026-02743-x

    * Prospective deployment of AI-based risk stratification to enable expedited mammography workflow in a safety-net setting.

    Chung, M., Davis, E., Greenwood, H. et al.

    npj Digit. Med. (2026).

  • Etude : les règles autour de l’IA médicale restent largement non contraignantes (Nature)

    Après plusieurs années centrées sur les performances des algorithmes, les débats autour de l’intelligence artificielle en santé se déplacent progressivement vers les questions d’encadrement et de responsabilité. Les hôpitaux ne cherchent plus seulement à tester des outils capables d’analyser une radio ou d’aider au diagnostic. Ils doivent désormais prendre à bras le corps l’encadrement de ces outils.

    C’est pourquoi des chercheurs de l’Icahn School of Medicine at Mount Sinai ont souhaité faire un état des lieux. Ils ont donc développé un outil baptisé “Health & AI Policy Index” (HAPI) afin de cartographier les politiques liées à l’IA en santé publiées entre 2016 et 2025. Leur objectif : analyser l’évolution de ce paysage réglementaire et identifier les principaux thèmes de gouvernance qui émergent à mesure que les usages de l’IA se développent dans les systèmes de santé.

    240 textes pour réguler l’IA analysés

    Pour mieux comprendre comment l’IA médicale est progressivement encadrée, ils ont passé au crible pas moins de 240 textes publiés entre 2016 et 2025 : réglementations, recommandations, standards techniques ou cadres de bonnes pratiques. Ces documents provenaient d’acteurs variés tels que des autorités publiques, des régulateurs, des organismes de normalisation ou encore des institutions de santé. Plus de 100 organismes impliqués dans la gouvernance de l’IA médicale ont été inclus dans l’étude.

    Leur objectif était de cartographier les grandes tendances de gouvernance qui émergent à mesure que les outils d’IA se déploient dans les soins. Chaque texte a donc été analysé pour identifier les priorités mises en avant par les différents acteurs : transparence des algorithmes, sécurité des patients, gestion des risques, responsabilité en cas d’erreur ou encore surveillance des systèmes d’IA après leur déploiement. Les auteurs ont également étudié l’évolution du nombre de textes publiés au fil des années afin de suivre la montée en puissance de ces questions de gouvernance.

    Les résultats de leur travail ont été publiés le 25 mai 2026 dans npj Digital Medicine.

    Résultats : les hôpitaux en 1ère ligne dans la supervision de l’IA médicale

    • Une forte accélération du nombre de textes publiés à partir de 2023-2024.
    • 60 % des textes centrés sur la transparence et la gouvernance des systèmes d’IA.
    • 48 % consacrés à la sécurité et à la gestion des risques.
    • 35 % portant sur la qualité clinique et l’efficacité des outils.
    • 26 % abordant les biais algorithmiques et les questions d’équité.
    • 25 % traitant des données de santé et de la protection de la vie privée.
    • 22 politiques sur 240 seulement (9 %) considérées comme ayant un impact réglementaire élevé.
    • Une majorité de recommandations, standards techniques et cadres de bonnes pratiques plutôt que de règles contraignantes.
    • les textes de gouvernance demandent principalement aux hôpitaux, aux autorités de santé et aux entreprises qui développent les IA de superviser et contrôler ces outils.

    Les auteurs décrivent un paysage réglementaire encore très dispersé. Et une gouvernance reposant encore largement sur des recommandations et des standards techniques plutôt que sur des obligations réglementaires fortes. Cette approche souple est certes adaptée à un domaine en évolution rapide, mais elle pourrait montrer ses limites à mesure que les outils d’IA sont utilisés dans des situations cliniques de plus en plus sensibles. « L’intelligence artificielle arrive dans les soins plus vite que de nombreuses organisations ne sont capables de l’évaluer ou de l’encadrer correctement », souligne en outre Will Moss, premier auteur de l’étude.

    Le besoin d’une « supervision solide »

    Cette évolution illustre aussi un changement plus large dans l’IA en santé. Ces dernières années, les publications se concentraient surtout sur les capacités diagnostiques des algorithmes. Désormais, les questions deviennent plus organisationnelles : qui valide ces outils ? Comment surveiller leurs performances après leur déploiement ? Comment gérer les biais ou articuler les différentes réglementations, comme l’AI Act européen ou les règles applicables aux dispositifs médicaux ? « Le déploiement réussi de l’IA ne repose pas seulement sur l’installation de nouveaux outils », rappelle Girish N. Nadkarni, directeur du Windreich Department of Artificial Intelligence and Human Health à Mount Sinai. « Il dépend aussi d’une supervision solide, de structures internes de gouvernance et d’une répartition claire des responsabilités autour de l’usage de ces technologies. »

    *Mapping AI regulation in health care with the Health & AI Policy Index.

    Moss, W., Glicksberg, B.S., Lim, S. et al.

    npj Digit. Med. 9, 413 (2026).

    https://www.nature.com/articles/s41746-026-02734-y

     

  • Étude : une IA pourrait détecter des patients à risque d’AVC jusqu’à 10 ans à l’avance (Jacc)

    Testé sur plus de 200 000 patients, ce modèle utilise uniquement les données de l’ECG, l’âge et le sexe du patient pour identifier des profils à risque, sans avoir recours aux calculs cliniques habituellement utilisés en prévention cardiovasculaire. Ces résultats* ont été publiés le 13 mai 2026 dans le Journal of the American College of Cardiology.

    L’AVC reste l’une des principales causes de décès et de handicap dans le monde. Une partie de ces accidents est liée à des troubles cardiaques, notamment des anomalies des oreillettes, les cavités supérieures du cœur, qui peuvent favoriser la formation de caillots sanguins ensuite envoyés vers le cerveau.

    Problème : ces patients à risque passent souvent sous les radars. Les outils actuels de prédiction reposent sur des scores cliniques parfois lourds à calculer et peu utilisés en pratique courante, tandis que certaines anomalies cardiaques restent difficiles à détecter avant l’apparition des premiers symptômes.

    Décrypter un simple ECG de 10 secondes

    Dans ce contexte, des chercheurs américains du Mass General Brigham et du Broad Institute ont cherché à savoir si une IA pouvait repérer, à partir d’un simple électrocardiogramme (ECG) de 10 secondes, des signaux électriques subtils associés à un risque futur d’AVC. Pour cela, ils ont développé un modèle de deep learning baptisé ECG2Stroke à partir des données de patients du Massachusetts General Hospital, avant de le valider dans 2 autres hôpitaux américains. Au total, plus de 200 000 patients ont été inclus dans l’entraînement et la validation du modèle.

    Ce modèle ECG2Stroke a été conçu pour analyser directement les signaux électriques bruts de l’ECG afin d’identifier des variations très discrètes dans l’activité électrique du cœur, difficiles à repérer lors d’une analyse classique, mais potentiellement associées à un risque futur d’AVC. Contrairement aux scores cliniques traditionnels, qui reposent sur l’addition de multiples facteurs de risque cardiovasculaire, comme l’hypertension, le diabète, le tabagisme ou les antécédents médicaux, l’outil utilise uniquement l’ECG, l’âge et le sexe du patient.

    Les chercheurs ont ensuite comparé les performances du modèle à celles du Framingham Stroke Risk Profile, un score de référence utilisé en prévention cardiovasculaire, afin d’évaluer sa capacité à identifier les patients les plus à risque d’AVC.

    Les résultats de cette étude ont été publiés le 13 mai 2026 dans le Journal of the American College of Cardiology (Jacc).

    Résultats : Jusqu’à 84 % de précision pour certains AVC

    • Le modèle parvenait à distinguer correctement les patients qui allaient présenter un AVC dans environ 77 % à 80 % des cas.
    • ECG2Stroke a affiché des performances comparables à celles du Framingham Stroke Risk Profile, un score clinique de référence utilisé pour estimer le risque d’AVC.
    • Les performances étaient encore meilleures pour les AVC cardioemboliques, avec une précision atteignant jusqu’à 84 % dans certaines cohortes.
    • Les signaux ayant le plus influencé les prédictions étaient liés à l’activité électrique des oreillettes, les cavités supérieures du cœur impliquées dans certaines pathologies cardiaques associées au risque d’AVC.
    • Les performances du modèle sont restées globalement stables entre les différents hôpitaux et sous-groupes de patients analysés.

    « Les outils actuels permettant d’identifier les patients les plus à risque d’AVC nécessitent souvent des calculs cliniques lourds et sont donc peu utilisés en pratique courante », souligne le Dr Rahul Mahajan dans un communiqué. Les auteurs estiment qu’un modèle reposant sur un examen aussi courant qu’un ECG de 10 secondes pourrait au contraire être facilement déployé à grande échelle. Selon eux, cette approche pourrait permettre d’identifier plus tôt certains patients nécessitant une prévention renforcée, notamment contre les AVC cardioemboliques, potentiellement évitables grâce à des traitements anticoagulants. Les chercheurs estiment également que leur modèle pourrait aider à mieux comprendre le rôle de certaines anomalies électriques discrètes des oreillettes dans le développement des AVC.

    Orienter la prévention

    Les auteurs appellent toutefois à la prudence. « Si ces résultats sont confirmés dans des études prospectives en conditions réelles, ce type d’outil pourrait aider à identifier les patients à prioriser pour des efforts intensifs de prévention », explique le Dr Shaan Khurshid. Comme de nombreuses études sur des modèles d’intelligence artificielle, cette dernière ne permet pas encore de savoir si l’utilisation d’ECG2Stroke réduirait réellement le nombre d’AVC en pratique clinique. Enfin, l’étude ayant été réalisée à partir de données hospitalières américaines, l’outil devra aussi démontrer sa capacité à fonctionner de manière fiable dans d’autres populations et systèmes de santé avant une éventuelle utilisation à grande échelle.

    * ECG Signatures and Long-Term Ischemic Stroke Risk

    Mahajan R et al. JACC

    https://www.jacc.org/doi/10.1016/j.jacc.2026.03.084c

     

  • Étude : une IA de Google et Harvard accélère la création de logiciels de recherche (Nature)

    Baptisé ERA, l’outil a généré plusieurs modèles surpassant des approches conçues par des experts humains, notamment pour prévoir les hospitalisations liées au COVID-19 ou analyser des données biologiques complexes.

    Le développement de logiciels spécialisés est devenu indispensable dans de nombreux domaines scientifiques, de la modélisation biologique à la prévision d’épidémies. Mais ces programmes, souvent conçus sur mesure, demandent un long travail d’essais et d’ajustements avant d’atteindre des performances suffisantes. Les chercheurs doivent tester différentes méthodes, modifier des algorithmes, comparer les résultats puis recommencer parfois pendant des semaines ou des mois.

    Automatiser les essais-erreurs dans la recherche scientifique

    C’est pourquoi une équipe de Harvard John A. Paulson School of Engineering and Applied Sciences et de Google DeepMind ont cherché à automatiser cette phase d’exploration et d’optimisation. Les chercheurs ont développé un système baptisé ERA. Son objectif : générer, tester puis améliorer automatiquement des milliers de versions d’un même programme. Le but est d’identifier les approches les plus efficaces pour une tâche scientifique donnée.

    Concrètement, les chercheurs ont utilisé un modèle d’IA de la famille Gemini associé à une méthode dite de « recherche arborescente ». Cette technique permet à l’IA d’explorer un très grand nombre de possibilités puis de sélectionner progressivement les plus prometteuses.

    Le système recevait d’abord un programme initial déjà capable de réaliser une tâche scientifique. L’IA essayait ensuite automatiquement différentes modifications pour améliorer ses résultats. Elle pouvait par exemple changer des algorithmes, ajouter de nouveaux composants ou modifier certains paramètres. Chaque nouvelle version du programme était ensuite testée puis évaluée à partir d’un score défini à l’avance, comme la précision d’une prévision ou la qualité d’une modélisation biologique. Les versions les plus performantes étaient conservées puis retravaillées, tandis que les moins efficaces étaient abandonnées.

    Les chercheurs ont testé ERA sur plusieurs problèmes scientifiques, notamment la prévision des hospitalisations liées au COVID-19, la modélisation de l’activité neuronale chez le poisson-zèbre et l’analyse de données de séquençage ARN unicellulaire.

    Les résultats de leur étude ont été publiés le 20 mai dans Nature.

    Résultats : une exploration accélérée des solutions algorithmiques

    • ERA a généré 14 modèles de prévision des hospitalisations liées au COVID-19 plus performants que ceux utilisés pendant la pandémie par les U.S. Centers for Disease Control and Prevention.
    • 4 nouvelles méthodes d’intégration de données de séquençage ARN unicellulaire surpassant des approches conçues par des experts humains ont été identifiées.
    • ERA a permis de modéliser l’activité de plus de 70 000 neurones chez le poisson-zèbre à partir de données neuronales réelles.
    • Des milliers de variantes de programmes scientifiques ont pu être explorés et optimisés en quelques heures ou quelques jours, contre plusieurs semaines ou mois habituellement.

    Pour les auteurs de l’étude, ERA pourrait transformer la phase d’essais et d’optimisation des logiciels scientifiques. « Ce nouveau système va accélérer les découvertes scientifiques en permettant d’explorer beaucoup d’idées en même temps », explique Qian-Ze Zhu, l’un des chercheurs. « Auparavant, il fallait parfois une semaine pour mettre en œuvre certaines méthodes spécifiques. Désormais, il est possible d’en tester plusieurs en parallèle en quelques heures. » Ce type d’approche pourrait notamment accélérer le développement de modèles utilisés en biologie computationnelle, en épidémiologie ou encore en analyse de données biomédicales.

    Une IA prometteuse mais sur des tâches très cadrées

    Les auteurs restent toutefois prudents sur la portée du système. ERA dépend entièrement des objectifs fixés par les chercheurs et des critères utilisés pour évaluer les résultats. Le système optimise avant tout des tâches très cadrées et facilement mesurables. « Cette capacité à intégrer et recombiner des idées de recherche permet au système de trouver des solutions “aiguille dans une botte de foin” que les chercheurs humains n’auraient peut-être jamais eu le temps de tester », estime Michael Brenner, le dernier auteur.

    Reste à savoir dans quelle mesure ces performances pourront être reproduites dans des situations de recherche plus complexes et moins standardisées. Dans la pratique, de nombreux problèmes biomédicaux reposent sur des données incomplètes, des objectifs parfois difficiles à définir ou plusieurs critères contradictoires. Optimiser un score ne garantit pas non plus que le modèle obtenu soit le plus robuste, le plus interprétable ou le plus utile dans des conditions réelles.

    * An AI system to help scientists write expert-level empirical software.

    Aygün, E., Belyaeva, A., Comanici, G. et al.

    Nature (2026). https://www.nature.com/articles/s41586-026-10658-6

     

  • Des chercheurs alertent sur l’écart entre tests et pratique en IA médicale (Science)

    Les modèles d’intelligence artificielle capables de produire un raisonnement clinique étape par étape se multiplient en santé. Plusieurs travaux récents montrent qu’ils peuvent atteindre, voire dépasser, les performances de médecins sur des cas cliniques standardisés, c’est-à-dire des situations fictives décrites sur le papier. Ces résultats ouvrent des perspectives d’usage rapide dans les systèmes de soins, notamment pour l’aide au diagnostic.

    Face à cet engouement, des chercheurs et cliniciens de la Flinders University se sont lancés dans une analyse critique des travaux récents sur les IA médicales. Ils ont examiné les conditions dans lesquelles ces systèmes sont évalués et ont cherché à déterminer dans quelle mesure ces performances peuvent être transposées à la pratique clinique.

    Résultats : le raisonnement donne une impression de fiabilité

    • Les performances élevées reposent sur des tests standardisés qui ne reflètent pas la complexité des situations réelles.
    • Le raisonnement étape par étape peut donner une illusion de fiabilité, sans garantir la justesse des conclusions.
    • Les auteurs identifient un décalage entre qualité apparente du raisonnement et fiabilité clinique réelle.
    • Ce décalage expose à un risque de « surconfiance » des utilisateurs, notamment en dehors d’un cadre expert.

    Fort de ce constat, les auteurs insistent sur la nécessité d’évaluer ces outils au-delà des performances observées en laboratoire. « Le critère pour une utilisation en pratique clinique ne peut pas être une performance sur des tâches synthétiques ; il doit s’agir d’une amélioration dans des conditions réelles », écrivent-ils, appelant à des essais randomisés.

    Ils soulignent également que l’intégration de ces systèmes dans les soins reste largement à construire. « La proposition dominante pour l’IA en santé n’est pas le remplacement, mais la collaboration », avec un rôle central du clinicien pour l’interprétation, la supervision et la responsabilité des décisions. Cette intégration devra être précisément évaluée : il s’agit de comparer trois configurations — l’IA seule, le médecin seul et le médecin assisté par l’IA — afin d’identifier dans quels cas ces outils améliorent réellement la prise en charge.

    Une IA déployée plus vite qu’elle n’est testée

    Enfin, les auteurs alertent sur un décalage croissant entre le développement technologique et son évaluation. « Le déploiement des systèmes d’IA dépasse le rythme des méthodes d’évaluation », écrivent-ils. Or, « une bonne performance sur une tâche validée ne garantit pas qu’un système déployé se limitera à cette tâche ». Et donc pas sûr que la performance sera la même…

    Par ailleurs, les chercheurs rappellent que l’adoption clinique suppose de démontrer des bénéfices concrets pour les patients, mais aussi des garanties en matière d’équité, de sécurité et de transparence.

    *AI can reason like a physician—what comes next?.

    Ashley M. Hopkins, Erik Cornelisse

    Science392,466-467(2026). https://www.science.org/doi/10.1126/science.aeg8766

     

  • Étude : une IA suggère une détection très précoce du cancer du pancréas (Gut)

    Publiée le 22 avril 2026 dans la revue Gut, cette étude* rétrospective suggère qu’une détection très anticipée est possible, mais nécessite encore une validation prospective.

    Longtemps considéré comme l’un des cancers les plus redoutables, le cancer du pancréas reste aujourd’hui encore majoritairement diagnostiqué à un stade avancé. En cause : des symptômes tardifs et peu spécifiques, qui retardent la prise en charge. Résultat, moins d’un patient sur cinq est éligible à une chirurgie curative au moment du diagnostic, et la survie à cinq ans ne dépasse pas les 10 à 12 %. Malgré des progrès récents en oncologie, les traitements restent d’efficacité limitée, faisant du repérage précoce l’un des principaux leviers d’amélioration du pronostic.

    A la recherche de marqueurs précoces

    Dans ce contexte, plusieurs équipes explorent des approches visant à détecter la maladie avant l’apparition de signes cliniques. L’objectif : identifier des marqueurs précoces, encore invisibles à l’imagerie conventionnelle, afin d’intervenir à un stade potentiellement curable. C’est dans cette perspective qu’une équipe internationale réunissant notamment le Radboud University Medical Center et Johns Hopkins University s’est intéressée à l’apport de l’intelligence artificielle pour analyser finement des scanners et repérer des signaux faibles annonciateurs d’un cancer du pancréas.

    Une IA pour détecter des variations subtiles du tissu pancréatique

    Pour évaluer cette hypothèse, les chercheurs ont développé un modèle d’intelligence artificielle capable d’analyser finement des scanners abdominaux réalisés chez des patients avant tout diagnostic de cancer. Ils se sont appuyés sur des examens issus de plusieurs centres hospitaliers internationaux, en comparant des images de patients ayant développé un cancer du pancréas à celles de patients témoins. L’objectif était d’entraîner l’algorithme à identifier des variations subtiles du tissu pancréatique, indétectables à l’œil humain, puis de tester sa capacité à repérer ces signaux précoces sur des données indépendantes.

    Les résultats de cette étude ont été publiés le 22 avril 2026 dans la revue Gut.

    Résultats : des signaux détectés jusqu’à 3 ans avant le diagnostic

    • Détection jusqu’à 475 jours (≈16 mois) avant le diagnostic clinique
    • Signal parfois présent jusqu’à 3 ans avant, sans anomalie visible
    • Sensibilité : 73 %, contre 39 % pour les radiologues
    • L’algorithme analyse de variations subtiles du tissu pancréatique invisibles à l’œil humain sur les scanners standards.

    Ces résultats suggèrent la possibilité de détecter des altérations précoces du pancréas avant toute manifestation clinique, mais plusieurs limites doivent être soulignées. L’étude reste rétrospective et ne permet pas de mesurer l’impact réel d’un tel outil en pratique. « Une validation prospective, notamment chez des populations à risque, est nécessaire », indiquent les auteurs. Autre point clé : « Il reste à déterminer si une détection plus précoce se traduira par une amélioration de la survie », précisent ces derniers. Se pose également la question du ciblage des patients, dans un cancer relativement rare, avec un risque potentiel de surdiagnostic et d’examens inutiles si l’outil était utilisé à large échelle.

    Un vent d’espoir pour le cancer du pancréas

    Ces résultats s’ajoutent à plusieurs avancées thérapeutiques récentes dans le cancer du pancréas. Fin avril 2026, une équipe de l’Inserm a montré qu’un anticorps expérimental pouvait améliorer la réponse à la chimiothérapie dans un essai précoce chez des patients atteints de formes avancées. Parallèlement, des thérapies ciblant les mutations KRAS, présentes dans la grande majorité des cancers du pancréas, ont récemment permis, dans certains essais, d’aller jusqu’à un doublement de la survie médiane chez des patients à un stade avancé. La convergence de tous ces résultats dessine une dynamique nouvelle, entre traitements plus ciblés et détection plus précoce.

    *Next-generation AI for visually occult pancreatic cancer detection in a low-prevalence setting with longitudinal stability and multi-institutional generalisability

    Mukherjee S, Antony A, Patnam NG, et al

    https://gut.bmj.com/content/early/2026/04/22/gutjnl-2025-337266

    Gut Published Online First: 28 April 2026. doi: 10.1136/gutjnl-2025-337266

     

  • Étude : L’IA performante pour diagnostiquer, mais limitée dans son raisonnement (Jama)

    Publiée le 13 avril 2026 dans la revue JAMA Network Open, l’étude* montre que si les modèles affichent une précision finale supérieure à 90 %, ils échouent à reproduire la démarche logique du médecin, notamment pour trier les pistes initiales et optimiser la plan de traitement.

    Dans la pratique médicale, un diagnostic n’est pas une simple réponse, mais l’aboutissement d’une enquête. Un clinicien doit naviguer dans l’incertitude, hiérarchiser des hypothèses et sélectionner les examens les plus pertinents pour affiner sa réflexion. L’enjeu est autant clinique qu’organisationnel : une stratégie efficace évite les examens inutiles et réduit les délais de prise en charge. Jusqu’ici, l’évaluation de l’IA s’est surtout focalisée sur sa capacité à identifier la pathologie finale. A mettre un nom sur des symptômes. On ignorait si ces modèles étaient capables de piloter cette démarche intellectuelle, pourtant indispensable à l’efficience du système de soins.

    Évaluer la logique de l’IA

    C’est pourquoi une équipe de chercheurs de Mass General Brigham — le pôle de santé et de recherche de l’Université de Harvard à Boston — a développé un nouveau cadre d’évaluation nommé PrIME-LLM. Ils ont soumis 21 modèles de langage de grande taille à des scénarios cliniques complexes, décomposés en 4 étapes clés : le diagnostic différentiel, la sélection des tests, le diagnostic final et le plan de traitement. Les modèles ont été testés sur des cas “ouverts”, où l’information est rare, puis sur des cas “fermés”, une fois les résultats d’imagerie et de laboratoire intégrés. L’objectif était de vérifier si l’IA sait construire un raisonnement progressif ou si elle dépend uniquement de la présence de données déjà structurées pour conclure.

    Les résultats de cette étude ont été publiés le 13 avril 2026 dans le JAMA Network Open

    Résultats : une précision de façade

    • Taux de succès final supérieur à 90 % pour nommer la pathologie correcte une fois le dossier patient complet.
    • Argumentation clinique imparfaite à 73,1 % en cas “fermés”, révélant des difficultés à justifier logiquement le diagnostic.
    • Effondrement à 26,3 % du score de raisonnement sur les cas “ouverts”, dès que le modèle doit réfléchir sans données d’examens préalables.
    • Échec du diagnostic différentiel avec seulement 42,6 % de réussite pour hiérarchiser les causes possibles d’un symptôme
    • Incapacité à piloter les examens avec un score de 34,5 % pour l’identification du test complémentaire le plus pertinent.
    • Incohérence décisionnelle dans 25 % des cas, où le plan de traitement proposé contredit le diagnostic identifié

    Pour Marc Succi, auteur principal de l’étude, ces résultats soulignent la nécessité de maintenir « un humain dans la boucle et une surveillance très étroite ». Il estime que le cadre PrIME-LLM doit désormais permettre aux dirigeants d’hôpitaux de « séparer la hype de la réalité » en comparant les technologies sur leur compétence clinique réelle plutôt que sur leurs promesses.

    La fin du mythe de la “bonne réponse”

    Cette étude prouve aussi qu’une IA peut avoir raison (le diagnostic final) tout en raisonnant mal. Le fossé entre la précision brute et la faiblesse de l’argumentation suggère que les modèles fonctionnent encore comme des boîtes noires statistiques, incapables de manipuler les concepts médicaux avec la rigueur d’un praticien.

    Comme le concluent les chercheurs, « l’amélioration de l’utilité clinique de l’IA dépendra moins de la puissance de calcul que de la capacité des modèles à structurer un raisonnement logique étape par étape ». Tant que ce cap n’est pas franchi, l’IA restera cantonnée à un rôle de vérificateur de second rang, laissant à l’humain la responsabilité exclusive de la stratégie diagnostique.

    * Large Language Model Performance and Clinical Reasoning Tasks.

    Rao AS, Esmail KP, Lee RS, et al.

    JAMA Netw Open. 2026;9(4):e264003. doi:10.1001/jamanetworkopen.2026.4003

    https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2847679?guestAccessKey=ef7d2c87-beca-4c8b-b6a2-85d11bcf8185&utm_source=for_the_media&utm_medium=referral&utm_campaign=ftm_links&utm_content=tfl&utm_term=041326

     

  • Étude : une approche basée sur l’IA pour repérer les véritables ruptures scientifiques (Science Advances)

    Mesurer l’impact d’une recherche reste un angle mort. Aujourd’hui, les indicateurs dominants (nombre de publications, volume de citations) captent surtout la visibilité, pas la nature même de l’innovation. Ils valorisent donc les travaux qui s’inscrivent dans une continuité, mais peinent à repérer ceux qui modifient réellement la trajectoire d’un domaine.

    Or, dans le même temps, la production scientifique explose. Des millions d’articles et de brevets sont publiés chaque année, rendant plus difficile encore l’identification des contributions réellement structurantes. Pour les institutions comme pour les financeurs, l’enjeu devient stratégique : distinguer les avancées incrémentales des véritables ruptures, afin de mieux orienter les priorités de recherche et les investissements.

    55 millions d’articles et de brevets passés au crible de l’IA

    Les chercheurs ont analysé un corpus impressionnant d’environ 55 millions d’articles scientifiques et de brevets. Pour cela, ils ont utilisé une méthode de machine learning dite de neural embedding. Cette dernière permet de représenter chaque article en fonction de ses liens avec les autres. Concrètement, l’algorithme analyse à la fois les travaux qu’un article cite et ceux qui le citeront ensuite, afin de le situer dans un réseau global de connaissances.

    Chaque publication est ainsi caractérisée à partir de 2 dimensions : les connaissances sur lesquelles elle s’appuie et celles qu’elle influence. L’objectif est de reconstituer la trajectoire des idées dans le temps, et d’identifier les travaux qui en modifient le cours.

    À partir de cette cartographie, les auteurs ont ensuite développé un indicateur de “disruptivité”, sous la forme d’un score mesurant la capacité d’une publication à s’écarter des travaux existants et à influencer de nouvelles directions de recherche. Ils comparent enfin cet indicateur aux métriques existantes, en particulier celles reposant sur les réseaux de citations, afin d’en évaluer la pertinence.

    Les résultats de cette étude ont été publiés le 1er avril dans Science Advances.

    Résultats : l’IA met en lumière les découvertes simultanées

    • L’indicateur de disruptivité distingue mieux les travaux réellement disruptifs, notamment en identifiant des publications majeures comme certains articles récompensés par des prix Nobel.
    • Il met en évidence des découvertes simultanées, en identifiant des publications “jumelles” issues d’équipes indépendantes mais ouvrant des trajectoires similaires.
    • Il corrige les limites des indicateurs existants, dont les résultats peuvent changer fortement pour de faibles différences dans les citations.
    • Il introduit une mesure plus fine, capable de graduer le niveau de rupture entre les publications.
    • Il permet d’identifier les moments où un champ de recherche bifurque vers de nouvelles directions.

    Des indicateurs quantitatifs d’innovation

    Avec l’appui de l’intelligence artificielle, les chercheurs montrent donc qu’il devient possible de suivre, à grande échelle, la circulation des connaissances et d’identifier plus finement les ruptures scientifiques. « Nous introduisons une mesure plus robuste de la disruptivité, capable de mieux capter les changements de trajectoire dans la recherche, expliquent les auteurs. Nous disposons désormais d’indicateurs quantitatifs pour analyser à quel stade de la recherche les travaux disruptifs apparaissent et où ils ont le plus d’impact, » ajoutent-ils

    Mais, l’enjeu dépasse la seule performance technique. « Nous avons besoin de meilleurs outils pour identifier et soutenir les recherches réellement innovantes », souligne le dernier auteur, Yong-Yeol Ahn. En rendant visibles les travaux qui font réellement bifurquer un champ, cet indicateur pourrait aider à orienter plus finement les financements et les priorités de recherche. Tandis que les indicateurs classiques favorisent surtout les travaux qui prolongent des trajectoires existantes.

    Reste une limite : comme tout indicateur, il dépend des données disponibles et des pratiques de publication. Et il pose une question de fond : comment évaluer l’innovation scientifique ? « Tous les articles très cités ne sont pas nécessairement disruptifs », rappelle Sadamori Kojaku, co-auteur de l’étude. Une distinction appelée à peser de plus en plus dans les stratégies de recherche.

    *Uncovering simultaneous breakthroughs with a robust measure of disruptiveness

    Munjung Kim et al. Sci. Adv.12,eadx3420(2026).DOI:10.1126/sciadv.adx3420

     

  • Étude : l’usage de l’IA en radiologie modifie l’évaluation de la faute médicale (Nature Health)

    Publiée le 10 mars 2026 dans Nature Health, leur étude* indique qu’une double lecture (avant et après l’IA) diminue significativement le risque que le radiologue soit jugé fautif.

    L’intégration de l’intelligence artificielle en radiologie s’accélère, avec des outils capables d’analyser des images médicales et de signaler des anomalies, comme des hémorragies cérébrales sur scanner. Si ces systèmes sont principalement évalués sur leurs performances diagnostiques, leur impact sur les pratiques professionnelles et la responsabilité médicale reste encore peu documenté.

    A l’ère de l’interaction radiologues et algorithmes

    Dans ce contexte, l’usage concret de l’IA — notamment le moment où elle intervient dans l’interprétation des images — pourrait influencer la manière dont une erreur est jugée. Cette question est d’autant plus centrale que les décisions médicales reposent de plus en plus sur une interaction entre le radiologue et des systèmes algorithmiques.

    Des chercheurs du Penn State College of Medicine, de l’université Brown et de Seton Hall ont donc mené une expérience auprès de 282 participants recrutés aux États-Unis, considérés comme des jurés fictifs. Chaque participant devait évaluer un cas hypothétique de faute médicale impliquant un radiologue.

    Dans ce scénario, un patient subissait des lésions cérébrales irréversibles après qu’une hémorragie n’a pas été détectée sur un scanner, alors qu’un système d’intelligence artificielle avait correctement signalé l’anomalie.

    Deux conditions étaient testées. Dans la première, le radiologue interprétait l’image une seule fois après avoir pris connaissance de l’analyse de l’IA. Dans la seconde, il réalisait une double lecture : une première sans IA, puis une seconde après avoir consulté le résultat de l’IA. Les participants devaient indiquer si le radiologue avait respecté son obligation de diligence (« duty of care »), en répondant par oui ou non.

    Les résultats de leur travail ont été publié le 10 mars dans Nature Health

    Résultats : une probabilité de mise en cause plus élevée en cas de lecture unique

    • 74,7 % des participants jugent le radiologue responsable lorsqu’il interprète le scanner une seule fois après l’avis de l’IA
    • 52,9 % le jugent responsable lorsqu’il réalise une double lecture (avant puis après l’IA) ; une différence statistiquement significative, avec un risque multiplié par 2,6) en cas de lecture unique.

    Ces résultats suggèrent que la manière d’intégrer l’IA dans le workflow en radiologie pourrait devenir un levier de gestion du risque médico-légal. En pratique, des protocoles de double lecture — avant puis après l’avis de l’IA — pourraient être privilégiés pour sécuriser la prise de décision.

    Suivre l’IA pour se protéger…

    Les auteurs de l’étude alertent également sur un possible effet de bord : « Les cliniciens pourraient se sentir incités à suivre les recommandations de l’IA afin de réduire leur exposition juridique, même lorsque leur jugement clinique pourrait les conduire à une conclusion différente ». Une telle évolution pourrait générer une augmentation des examens complémentaires, des coûts de santé et de l’anxiété chez les patients.

    Menée aux États-Unis, où les jurys populaires jouent un rôle central, cette étude ne reflète certes pas directement le fonctionnement de la justice française, davantage fondée sur l’expertise médicale. Elle met néanmoins en lumière un enjeu appelé à se poser dans tous les systèmes de santé : la place de l’IA dans la définition du standard de soin, et les conditions de son intégration dans les pratiques cliniques.

    * The radiologist–AI workflow and the risk of medical malpractice claims.

    Bernstein, M.H., Sheppard, B., Bruno, M.A. et al.

    Nat. Health (2026). https://doi.org/10.1038/s44360-026-00085-2

    https://www.nature.com/articles/s44360-026-00085-2