Autor - Christopher Galli, Experte Digitalisierung FMH

L’intelligence artificielle générative n’est pas un concept nouveau, mais elle a considérablement gagné en importance ces dernières années avec le développement de grands modèles de langage. Alors que les approches génératives antérieures, telles que les auto-encodeurs variationnels (VAE) ou les réseaux antagonistes génératifs (GAN), étaient déjà utilisées dans des domaines spécialisés, les modèles plus récents comme ChatGPT ont rendu l’IA générative accessible au grand public et élargi son champ d’application.

Rares sont les technologies internet qui, ces derniers temps, ont suscité autant d’attention que les grands modèles de langage. Cet intérêt marqué ne provient pas seulement des milieux professionnels de la technologie, mais aussi, de plus en plus, des groupes d’intérêt politiques, sociaux et juridiques. Cette évolution a été favorisée par la disponibilité de grandes quantités de données, d’un matériel informatique dédié à l’apprentissage automatique et par un contexte social fortement marqué par l’automatisation, la recherche d’efficacité et la transformation numérique. 

Cependant, avec l’importance croissante de ces technologies, ce n'est pas seulement leur potentiel qui est mis en avant, mais aussi leurs risques, notamment en matière de transparence, de contrôle et de responsabilité. Dans l’espace européen en particulier, l’utilisation de l’intelligence artificielle s’accompagne dès le départ de considérations réglementaires et éthiques. Des questions telles que la protection des données, la transparence, l’obligation de rendre des comptes et la sécurité sont au premier plan, non pas comme un signe de retard technologique, mais comme l’expression d’une responsabilité sociale. En avril 2021, la Commission européenne a présenté un premier projet de loi visant à réglementer l’intelligence artificielle [1] dans le but de créer un cadre clair pour l’utilisation responsable des systèmes d’IA, en particulier dans des domaines sensibles tels que la santé. 

Les besoins de réglementation ne sont pas un phénomène purement européen, mais concernent toutes les régions du monde qui souhaitent utiliser l’IA de manière responsable. Dans le domaine médical en particulier, où certains groupes sont particulièrement vulnérables, la confiance est une condition essentielle à une innovation durable. Une base juridique claire, associée à une grande transparence et à une gestion rigoureuse des données, améliore non seulement la protection des patient-e-s, mais aussi la qualité des données sous-jacentes et, par conséquent, la performance des systèmes eux-mêmes. Le défi consiste moins à trouver un équilibre entre progrès technologique et prudence réglementaire qu’à mettre en place des systèmes robustes et compréhensibles, capables de résister à long terme aux réalités médicales. 

Si les questions réglementaires et éthiques sont actuellement au cœur de nombreuses discussions, il ne faut pas oublier que le développement fulgurant des modèles de langage génératifs repose également sur des avancées technologiques majeures. Afin de pouvoir évaluer de manière fondée la pertinence de ces systèmes dans le domaine de la santé, il est nécessaire de comprendre leur fonctionnement et leurs progrès par rapport aux approches antérieures en matière d’IA.

Contrairement aux approches antérieures en matière d’IA, telles que les systèmes basés sur des règles ou les modèles statistiques, les modèles de langage neuronaux n’ont cessé d’évoluer. Les modèles plus anciens, tels que BERT ou T5, ont été principalement développés pour analyser et classer des textes existants. Ils reposaient sur des architectures qui enregistraient et traitaient les informations contenues dans le texte, à l’instar d’un système qui lit et comprend des textes. Les modèles d’IA génératives modernes tels que ChatGPT, en revanche, sont conçus pour rédiger eux-mêmes de nouveaux textes. Pour ce faire, ils utilisent une « architecture de décodeur » [2] spécialisée dans la génération de contenus cohérents mot à mot. Cette capacité à générer du contenu cohérent en continu donne leur nom à ces modèles. 

Une avancée majeure concerne les méthodes d’entraînement. Les modèles de langage classiques étaient généralement entraînés à l’aide d’un apprentissage supervisé, à savoir qu’ils apprenaient à partir d’exemples prédéfinis avec des réponses claires et correctes. Les modèles génératifs modernes tels que ChatGPT vont plus loin. Ils sont améliorés grâce aux commentaires des utilisateurs, p. ex. avec des procédés comme l’apprentissage par renforcement à l’aide du feedback humain (Reinforcement Learning from Human Feedback [RLHF]). Une personne évalue ainsi différentes possibilités de réponse, et le modèle en tire des enseignements pour déterminer lesquelles sont préférées. D’autres optimisations sont réalisées à l’aide de méthodes spécialisées telles que l’optimisation des politiques proximales (Proximal Policy Optimization [PPO]) ou l’optimisation directe des préférences (Direct Preference Optimization [DPO]), qui permettent d’ajuster plus précisément le modèle aux réponses souhaitées. Ces méthodes ont considérablement amélioré la qualité et la contrôlabilité des contenus générés, rendant ainsi les modèles de langage génératifs accessibles au grand public.

Un grand modèle de langage comme ChatGPT crée des textes mot à mot, mais pas de manière aléatoire. Pour chaque nouvelle séquence de texte, il examine simultanément plusieurs mots possibles et évalue celui qui correspond le mieux au texte existant. Ce processus est extrêmement rapide et se déroule en parallèle, ce qui permet au modèle de générer des phrases non seulement pertinentes, mais aussi cohérentes sur le plan du contenu et de la langue. Cela donne l’impression que le modèle « comprend » ce qu’il écrit. En réalité, il se base sur des probabilités et des schémas qu’il a appris lors de son entraînement. 

C’est grâce à cette évolution de l’IA générative, en particulier des transformateurs génératifs préentraînés (generative pre-trained transformers [GPT]), que nous pouvons aujourd’hui interagir avec de grands modèles de langage qui constituent la base d’applications telles que ChatGPT (OpenAI), Gemini (Google), Llama (Meta) ou Copilot (Microsoft). 
Une autre avancée dans le domaine de l’IA générative est le traitement des données multimodales, c’est-à-dire l’analyse et la combinaison simultanées de différents formats tels que les vidéos, les photos, les textes et la langue parlée. Cela permet aux modèles d’IA de saisir et d’interpréter des informations complexes en fonction du contexte [3]. 

Un exemple concret est l’analyse de fichiers PDF pouvant contenir à la fois du texte et des graphiques intégrés. Un modèle d’IA multimodal peut non seulement évaluer le contenu écrit, mais aussi analyser les données image ou les graphiques et mettre les deux en relation de manière pertinente. 

Pour que les modèles de langage puissent fournir des réponses plausibles et cohérentes, ils ont besoin d’énormes quantités de données d’entraînement. La quantité exacte de données est rarement exprimée en gigaoctets ou en téraoctets, mais en tokens, c’est-à-dire en petites unités linguistiques telles que des mots individuels ou des segments de mots. Selon une publication d’OpenAI, GPT-3.5 a été entraîné sur environ  500 milliards de tokens [4]. Aucune information officielle n’a été publiée concernant la quantité de données d’entraînement pour GPT-4, mais d’autres modèles permettent d’en donner une estimation approximative. Ainsi, Meta a indiqué que son grand modèle de langage « Llama 3.1 405B » avait été entraîné sur plus de 15 000 milliards de tokens [5]. 

Les données d’entraînement sont basées sur des articles disponibles sur Internet, des publications scientifiques, des contenus sous licence et bien plus encore [4]. Les performances des grands modèles de langage sont ensuite vérifiées à l’aide de différents tests standardisés, appelés benchmarks.

Les grands modèles de langage disposent non seulement d’un vaste « savoir » issu de leurs données d’entraînement et pouvant être interrogé de manière interactive, mais ils saisissent également les relations sémantiques et les spécificités des langues. Ils reconnaissent les schémas dans les textes, « comprennent » le contexte et peuvent traiter les informations de manière structurée. Ils sont donc adaptés non seulement aux scénarios classiques de questions-réponses, mais aussi à des tâches plus complexes telles que la saisie de rapports médicaux ou le résumé automatique de dossiers de santé. 

Si un grand modèle de langage doit être utilisé dans un domaine spécifique, une spécialisation supplémentaire par le biais d’un « fine-tuning » peut s’avérer utile. Le modèle déjà entraîné est alors optimisé à l’aide de données spécifiques au domaine afin de fournir des résultats encore plus précis et adaptés au contexte. 

Cependant, la qualité et la disponibilité des données d’entraînement constituent un facteur décisif pour le succès de cette spécialisation. Les modèles de langage possèdent déjà une large compétence de base, mais leurs performances dans des domaines spécialisés dépendent fortement de la qualité et de la quantité des données qui leur sont fournies. Il peut être particulièrement difficile de fournir suffisamment de données représentatives pour les questions médicales rares ou complexes, appelées « cas limites ». De plus, la collecte et l’annotation de ces données nécessitent des ressources financières et temporelles considérables, notamment en raison des exigences strictes en matière de protection des données. 

Le modèle Gemini de Google, qui a été perfectionné grâce à un entraînement approfondi avec des données médicales pour devenir Med-Gemini, est un exemple de cette spécialisation. Grâce à ce processus, le modèle acquiert des connaissances spécifiques à un domaine et peut ainsi atteindre une précision allant jusqu’à 91 % sur le benchmark MedQA [6],[7]. Med-Gemini a été optimisé pour une multitude de tâches et de modalités médicales telles que le texte, les images et les vidéos, mais là encore, la disponibilité de données médicales de haute qualité reste un défi majeur pour les développements futurs. 

L’utilisation de Med-Gemini n’est pas encore d’actualité, cette application n’étant actuellement pas destinée à la commercialisation. Se pose donc la question des avantages que l’IA générative offre déjà aujourd’hui. Nous mettrons ici l’accent sur sa pertinence dans le domaine de la santé, où abondent articles scientifiques, chroniques de presse, blogs technologiques et conférences. çà et là apparaissent des réflexions sur le potentiel de cette technologie, mais celui-ci demeure en grande partie inexploité à ce jour. Les raisons en sont des questions éthiques, des limitations techniques et des exigences réglementaires qui ne sont pas encore au point dans le contexte clinique. En outre, il existe souvent un manque de compréhension de la façon dont l’IA générative peut être intégrée de manière judicieuse dans le quotidien médical. De nombreux professionnels ne savent pas dans quelle mesure ils peuvent utiliser ces systèmes sans s’exposer à des résultats incertains ou erronés. Une collaboration optimale entre l’être humain et l’IA nécessite des lignes directrices claires, des formations et la prise de conscience que cette technologie doit être considérée comme un outil d’aide et non comme un substitut à l’expertise médicale. 

Des malentendus peuvent survenir lorsque des questions humaines sont mal interprétées, ou des réponses erronées peuvent être générées, ce qui pourrait nuire au traitement des patient-e-s [8], [9]. La protection des données dans le secteur de la santé, en particulier lors du traitement de données personnelles sensibles, est un autre sujet central [10]. Des réglementations claires et solides sont nécessaires pour garantir la protection des données des patient-e-s. 

Une relation stable et de confiance entre l’être humain et l’IA est tout aussi importante que la mise en place de directives éthiques afin de garantir une utilisation sûre et efficace de cette technologie [11], [12], [13]. 

La documentation médicale est un exemple souvent cité pour illustrer l’utilisation de l’IA générative. Les grands modèles de langage ont le potentiel d’automatiser les rapports et les résumés des résultats médicaux, voire de saisir intégralement les informations issues des entretiens avec les patient-e-s. Cependant, ces processus nécessitent une collaboration étroite entre l’être humain et la machine afin de garantir la qualité des contenus générés. C’est là qu’intervient l’approche « human-in-the-loop » : des spécialistes vérifient et valident les textes générés afin de détecter rapidement les erreurs ou les ambiguïtés. Ce modèle hybride garantit non seulement une plus grande précision, mais renforce également la confiance dans l’utilisation des systèmes de documentation basés sur l’IA. 

De plus, l’IA générative agit comme un catalyseur dans le domaine de la médecine personnalisée. L’un de ses atouts réside dans le traitement de grandes quantités de données, qui permet de combiner des informations génétiques, des dossiers médicaux et des influences environnementales afin de générer des prédictions plus précises sur les résultats thérapeutiques [14]. 

Outre ces applications, l’IA joue également un rôle croissant et important dans le domaine du repliement et de la conception des protéines. Des modèles comme AlphaFold ont montré que l’IA peut prédire la structure tridimensionnelle des protéines avec une grande précision, ce qui accélère considérablement le développement de nouveaux médicaments et thérapies [15], [16]. L’IA générative peut également concevoir de nouvelles séquences protéiques qui pourraient être utilisées pour des thérapies ciblées ou des approches thérapeutiques individualisées [17], [18]. Ces progrès ouvrent de nouvelles possibilités dans le développement de médicaments et élargissent le champ de la médecine personnalisée. 

Dans la suite de ce rapport, nous examinerons plus en détail différentes applications et questions et les évaluerons d’un œil critique et scientifique. Nous montrerons ainsi comment l’IA générative peut être intégrée de manière sûre, éthique et efficace dans le quotidien clinique.