Lire la recherche IA × médecine, mieux.
Tatakoto décrypte les publications scientifiques sur l'intelligence artificielle appliquée à la santé. Transformer pour la détection de cancer, foundation models en imagerie médicale, LLMs en raisonnement clinique. Chaque article dit ce que l'étude trouve, ce qu'elle ne dit pas, et ce qui change.
Lésions cutanées : 96 % d’exactitude et 0,99 d’AUC — sur les trois quarts des images que le modèle a accepté de trancher
Deux auteurs combinent trois réseaux (MaxViT-Tiny, ConvNeXt-Tiny, EfficientNetV2-B0) et un mécanisme d’incertitude par MC Dropout pour classer sept types de lésions cutanées sur HAM10000, et annoncent 96 % d’exactitude et 0,99 d’AUC. Ces chiffres sont calculés après avoir écarté les cas incertains — le tableau de résultats porte sur 1 508 images alors que le jeu de test en compte 2 003, soit environ un quart des cas non tranchés, une couverture que le papier ne rapporte jamais. Le taux d’abstention n’est pas uniforme : reconstruit classe par classe, il atteint environ un tiers sur le mélanome.
Sepsis en réanimation : un agent d’apprentissage par renforcement qui baisse le traitement quand le lactate monte, et que les métriques standard notent 10 sur 10
Deux ingénieurs de Vanderbilt et Duke soumettent deux agents d’apprentissage par renforcement entraînés sur MIMIC-III à un test simple : faire monter artificiellement le lactate et regarder dans quel sens le traitement recommandé bouge. Le modèle qui imite le mieux les cliniciens (MSE 0,0098) réduit l’intensité de traitement d’environ 15 % quand le lactate monte — corrélation de Spearman de −0,67, l’inverse des recommandations Surviving Sepsis Campaign. Le diagnostic est juste ; la démonstration repose sur une seule graine aléatoire, sans intervalle de confiance, et le préprint ne dit jamais combien de patients il a utilisés.
Échographie thyroïdienne : une IA « agentique » auditable testée sur 35 centres, et les trois chiffres que le résumé ne dit pas
Quatorze auteurs de Sun Yat-sen, de l’hôpital Zhujiang et de Zhejiang présentent ThyroidXAgent, un système qui enchaîne segmentation, classification bénin/malin et rédaction du compte rendu échographique en gardant chaque sortie intermédiaire comme pièce justificative corrigeable. La segmentation atteint un Dice moyen de 87,21 % ; sur 4 999 cas de 35 centres chinois indépendants, l’AUC de classification tombe à 0,819. Le papier n’indique nulle part comment le caractère bénin ou malin a été établi sur ses jeux de test, la moyenne d’AUC annoncée dans le résumé (0,9466) ne se retrouve pas dans son propre tableau supplémentaire (0,9001), et le mot « surdiagnostic » n’y apparaît pas une seule fois.
AMIE en visioconsultation : un système multi-agents de Google devance des généralistes dans un OSCE simulé — mais les médecins avaient la caméra éteinte
Google Research et Google DeepMind ont fait passer à AMIE un examen clinique objectif structuré en visioconsultation : 100 scénarios, 15 acteurs professionnels, dix généralistes américains en comparateur. Le diagnostic principal est correct dans 0,91 des cas contre 0,77 pour les médecins, et la vidéo fait passer le score d’observation et d’examen de 0,41 à 0,74. Mais le comparateur humain devait garder sa caméra éteinte, les tableaux cliniques étaient restreints à ce qu’un acteur peut jouer, et les acteurs eux-mêmes n’ont vu de différence significative que sur 2 des 29 critères qu’ils notaient.
Étiquettes issues des comptes rendus contre relecture d’images : sur la cardiomégalie dans MIMIC-CXR, l’accord est quasi nul
Des radiologues ont relu 2 160 radiographies thoraciques de MIMIC-CXR et comparé leur lecture aux étiquettes extraites automatiquement des comptes rendus. Pour la cardiomégalie, le kappa de Cohen vaut 0,011 et l’étiquette ne retrouve que 1,3 % des cas confirmés ; 94,8 % des désaccords viennent d’une omission dans le compte rendu, pas d’une négation. Sur la cohorte réannotée par les experts, un DenseNet121 atteint une ROC-AUC de 0,853. Un audit utile et honnête, mais limité à un dépôt, un signe et une cohorte artificiellement équilibrée.
Cinq pathologies de la rétine, des « experts » qui se spécialisent : ce que montre un Mixture-of-Experts parcimonieux sur le fond d’œil
Nagur Shareef Shaik et ses collègues proposent une architecture qui n’applique pas le même calcul à toutes les images du fond d’œil : un routage « parcimonieux » aiguille chaque photo vers un « expert » spécialisé selon la pathologie présente. Sur cinq classes (œil sain, rétinopathie diabétique, DMLA, membrane épirétinienne, glaucome) en validation croisée patient-disjointe, le modèle atteint une AUC macro de 0,912 et un F1 macro de 0,653, et ses experts se spécialisent réellement par maladie (p < 0,001). Contribution élégante sur l’interprétabilité, mais l’écart AUC/F1 et l’absence de validation externe rappellent qu’un joli mécanisme ne fait pas encore un outil de dépistage.
Entraîner un modèle de dossier patient sans jamais réunir les données : l'apprentissage fédéré à l'épreuve de 122 251 séjours de réanimation
Michael Burkhart, Brett Beaulieu-Jones et leurs collègues testent une question concrète : peut-on entraîner un « foundation model » de dossier patient sans jamais rassembler au même endroit les données de plusieurs hôpitaux ? Sur 122 251 séjours de réanimation issus de trois systèmes de santé indépendants et douze tâches de prédiction, leurs modèles génératifs d'événements se transportent bien mieux d'un hôpital à l'autre que les modèles classiques (pénalité de 0,025 point d'AUC contre 0,079), et l'apprentissage fédéré atteint presque la performance d'un entraînement centralisé. Mais le résultat le plus utile est contre-intuitif : mutualiser les données n'apporte qu'un gain modeste par rapport à un entraînement purement local, et cet avantage s'efface à mesure que chaque hôpital accumule ses propres données.
Prédire l'anatomie du jour avant de scanner : un « jumeau numérique » pour la protonthérapie adaptative de la tête et du cou
Yizhou Wu, Yuheng Li, Xiaofeng Yang et Chih-Wei Chang proposent un jumeau numérique qui prédit l'anatomie d'un patient de tête et cou le jour de sa séance de protonthérapie, avant même d'acquérir la moindre image, en transférant sur son scanner de planification la façon dont d'autres patients ont changé au cours de leur traitement. Sur 88 patients, ces scanners prédits collent mieux à l'anatomie réelle du jour que le scanner de planification figé : +22,8 % de corrélation d'image, +20,2 % de recouvrement des organes à risque, −23,4 % d'erreur sur les nombres CT. L'idée d'anticiper l'anatomie pour accélérer la radiothérapie adaptative est astucieuse, mais la démonstration se limite à des mesures de ressemblance d'image et n'évalue jamais la dose délivrée — la seule grandeur qui décide vraiment du bénéfice en protonthérapie.
Représenter chaque patient comme un graphe pour se passer du nettoyage des données : PatTree et ses 98,5 % de précision sur la classification d'Alzheimer
Quatre chercheurs proposent PatTree, une méthode qui structure automatiquement des données médicales hétérogènes — valeurs manquantes, modalités multiples, formats incohérents — en un unique graphe de connaissances par patient, sans étape d'harmonisation préalable. Sur un sous-ensemble de la cohorte ADNI-1 (763 sujets), la classification directe sur ce graphe atteint 98,5 % de précision équilibrée et un F1 de 0,987 pour distinguer maladie d'Alzheimer, trouble cognitif léger et cognition normale. L'idée d'éviter l'harmonisation manuelle est précieuse ; mais un score quasi parfait sur une tâche réputée difficile, obtenu sur une seule cohorte et sans validation externe, se lit d'abord comme un signal d'alarme méthodologique à instruire, pas comme une preuve.
Super-résolution IA en IRM cérébrale : reconstruire des coupes fines efface-t-il, ou invente-t-il, de petites lésions de la substance blanche ?
Une équipe de l'Université de Pennsylvanie teste si la super-résolution par IA, appliquée à des IRM FLAIR à coupes épaisses avant de compter automatiquement les lésions de la substance blanche, préserve ces lésions. Sur 29 sujets de la cohorte ADNI dégradés artificiellement, le principal danger n'est pas l'hallucination redoutée des modèles génératifs mais l'effacement silencieux de vraies petites lésions, d'autant plus marqué que les coupes sont épaisses. Toute reconstruction reste néanmoins meilleure que la coupe épaisse brute ; le modèle auto-supervisé ECLARE préserve le mieux le signal, tandis qu'une méthode de fondation par réseau implicite ne fait pas mieux qu'une simple interpolation cubique. Petit échantillon, dégradation simulée : un signal d'alarme méthodologique, pas un verdict clinique.
Hémorragie intraventriculaire : une « ligne dorsale du tronc » sur le scanner, lue par un modèle de fondation tabulaire, pour prédire le handicap à six mois
Neuf hôpitaux chinois, 728 patients. Une équipe menée par Southwest Hospital (Army Medical University) propose la BSDL, un score simple de compression du tronc cérébral mesuré sur le scanner d'admission, et le confie avec huit autres variables à TabICLv2, un modèle de fondation pour données tabulaires, pour prédire un mauvais pronostic à six mois (mRS 4-6). AUC externe de 0,90 et bonne calibration — mais la validation externe ne compte que 118 patients, tous chinois, en rétrospectif, et la BSDL est encore cotée à la main.
Réadmissions et multimorbidité : un modèle auto-supervisé qui apprend le patient avant de connaître l'issue
Le consortium AI-MULTIPLY (Newcastle, Queen Mary, Birmingham) construit Self-HR, un modèle qui apprend d'abord à « résumer » le dossier de 99 207 patients britanniques atteints d'au moins deux maladies chroniques, puis prédit une réadmission d'urgence à 30 jours. AUROC de 0,92, validation externe sur 79 224 patients d'une seconde base — mais l'essentiel du signal vient du diagnostic d'admission, sur une population peu représentative et sans validation prospective.
Cas rares en médecine : entraîner un LLM à choisir la prochaine action, pas seulement le diagnostic final
Une équipe de Ben-Gurion construit MedUPSQA, 21 874 décisions cliniques « en cours de route » tirées de 5 535 cas rares réels, et montre qu'aligner un modèle de langage sur la prochaine action l'améliore davantage que l'agrandir — à condition de regarder comment on définit la « bonne » réponse.
ChatGPT Health en triage : plus de conversation ne rend pas les conseils plus sûrs
Une équipe de Mount Sinai teste ChatGPT Health sur 255 cas de triage réels et synthétiques. Dialoguer plus longtemps n'améliore pas l'orientation, et quand l'IA se trompe face au standard infirmier, elle sous-estime l'urgence près de sept fois sur dix — avec un sous-triage grave environ une fois sur dix.
Prédire le delirium en réanimation d'un hôpital à l'autre : ce qui se transporte, ce qui ne se transporte pas
Shengliang Ni et Kengo Sato (Institute of Science Tokyo) entraînent cinq familles de modèles à prédire le delirium en réanimation, puis les font changer de base de données — de eICU (208 hôpitaux américains) vers MIMIC-IV (un centre à Boston) et inversement. Le classement des patients par risque se transporte plutôt bien (AUROC externe jusqu'à 0,88–0,95 dans un sens), mais la calibration des probabilités et le seuil d'alerte ne suivent pas. La contribution n'est pas un score : c'est une distinction, la transportabilité d'un modèle clinique se décompose en couches qui ne voyagent pas ensemble.
Quand un LLM clinique remplit mal les cases : mesurer, puis réparer la conformité aux schémas ICD-10, CPT et FHIR
Jianru Shen (University of Montana) teste trois LLMs open-source sur 320 scénarios cliniques de dix spécialités en leur demandant des sorties structurées conformes aux standards ICD-10, CPT et HL7 FHIR. Sans garde-fou, la conformité de format plafonne entre 85,9 % et 91,6 %. Une boucle de validation-réparation la porte à 99,0 % en deux itérations, environ 1 % des cas étant renvoyés à un humain. Mais la conformité mesurée est structurelle, pas clinique : un code parfaitement bien formé peut rester médicalement faux, et c'est la limite que le papier ne referme pas.
Opérer ou non un cancer du pancréas : ce qu'un modèle multimodal CT + données cliniques apprend vraiment à trier
Une équipe de Bâle, d'Aarau et de Londres entraîne un modèle de deep learning qui fusionne le scanner 3D et 17 variables cliniques pour classer 159 patients atteints d'adénocarcinome du pancréas dans les trois catégories de résécabilité NCCN. L'AUC atteint 0,86 en validation croisée et 0,86 sur une cohorte externe indépendante de 52 patients d'Aarau. Le modèle apprend une anatomie « consciente des vaisseaux » sans exiger de masque à l'inférence. Mais la vérité-terrain n'est que le consensus d'une réunion de concertation, la cohorte est petite et suisse, et aucune étude comparant le modèle à des radiologues n'a été menée.
Une semaine de mouvements du poignet pour prédire la maladie future : ce que deux foundation models d'accélérométrie lisent vraiment dans l'UK Biobank
Une équipe de Stanford et du Danemark encode une semaine de mouvements du poignet chez 97 696 participants de l'UK Biobank avec deux foundation models figés, puis prédit 390 maladies futures d'un seul modèle de survie. La concordance moyenne est de 0,688, un axe unique de « vigueur » explique 76 % du risque prédit, et une signature prodromale de la maladie de Parkinson ressort (AUROC à cinq ans de 0,90, 428 cas). Mais tout tient dans une seule cohorte non représentative, sans validation externe, et les encodeurs ont été pré-entraînés sur ces mêmes données.
Prédire avant l'opération les chirurgies de Mohs les plus lourdes : ce que trente modèles de machine learning apprennent surtout de la taille de la tumeur
Une équipe de Sydney entraîne trente algorithmes de machine learning à prédire, avant l'intervention, si une chirurgie micrographique de Mohs exigera 13 coupes tissulaires ou plus — un seuil de « cas lourd » calqué sur la grille de remboursement australienne. Sur 408 interventions d'un seul centre, le meilleur modèle affiche une AUC de 0,884 sur le test et 81,7 % d'exactitude. Mais le jeu de test ne compte que 82 cas, aucune validation externe n'est menée, et l'analyse d'importance des variables montre que le modèle rejoue surtout une évidence : plus la tumeur est grande, plus il faut couper.
Dépister l'apnée du sommeil sur une simple photo de visage : ce que fait un système multimodal à base de VLM, et pourquoi son « exactitude » flatte les chiffres
Une équipe de Shanghai (Shanghai University of Engineering Science, Tencent Youtu Lab, hôpital ORL de Fudan) propose EviOSAHS, un système qui évalue le risque d'apnées du sommeil en orchestrant, par simple prompt et sans entraînement, un modèle vision-langage et un LLM : il décompose une photo de visage en sept observations anatomiques structurées, puis tranche en y ajoutant un profil clinique. Sur 642 patients avec polysomnographie, il annonce une exactitude de 88,47 % et une sensibilité de 94,86 %. Mais la cohorte est déséquilibrée (584 positifs pour 58 négatifs), la spécificité n'est jamais rapportée, et on peut la reconstituer : environ 24 %. Autrement dit, un « toujours positif » ferait mieux en exactitude.
Cancer du poumon au scanner faible dose : et si on entraînait l'IA sur des scanners pleine dose « dégradés » plutôt que débruités ?
Une équipe du Politecnico di Milano teste une idée à contre-courant pour le dépistage du cancer du poumon : au lieu de débruiter les images de scanner faible dose (LDCT), autant « dégrader » les images pleine dose abondantes (SDCT) en fausses images faible dose pour entraîner un classifieur de nodules. Trois méthodes de dégradation sont comparées sur la base publique LIDC-IDRI. Résultat robuste : un modèle entraîné sur du pleine dose s'effondre sur du vrai faible dose (sensibilité 0,571), tandis que les trois dégradations rétablissent une AUC supérieure à 0,84 — mais le classement entre elles reste fragile.
Mélanger des jeux de données de mammographie n'améliore pas le dépistage par IA : quand le modèle apprend la « signature » du dataset au lieu du cancer
Une équipe de la Memorial University of Newfoundland teste une intuition répandue : compléter un vrai jeu de dépistage mammographique (NLBSD, 5 997 examens, 1,29 % de cas suspects) avec des cancers confirmés de bases publiques (CBIS-DDSM, CMMD) améliorerait un modèle de tri. C'est l'inverse qui se produit : l'AUC passe de 0,737 à 0,620 à mesure qu'on ajoute des sources, et un test diagnostique montre pourquoi — le modèle sépare les images par base d'origine à 0,9998 d'AUC, apprenant la « signature » du dataset plutôt que le cancer.
Les foundation models d'imagerie médicale sont-ils interchangeables ? Ce que révèle une dissection contrôlée de 25 encodeurs sur la « convergence » des représentations
Une équipe universitaire allemande a testé une idée devenue lieu commun : en grandissant, les encodeurs d'images médicales convergeraient vers une représentation partagée, ce qui les rendrait interchangeables. En disséquant 25 encodeurs open-weight (18 d'images, 7 de texte), de 7 millions à 27 milliards de paramètres, sur cinq modalités et 650 982 radiographies thoraciques, les auteurs montrent que la convergence est réelle mais modeste, qu'elle est pilotée par l'objectif d'apprentissage auto-supervisé et non par l'échelle ni par la supervision clinique, et qu'elle ne reproduit pas la façon dont un radiologue juge la similarité entre deux cas.
Comptes rendus de pathologie générés par IA : pourquoi les scores BLEU surestiment la qualité, et ce que corrige la métrique clinique CRQS
Une équipe de Stony Brook et de l'Université de l'Utah a monté le premier banc d'essai standardisé pour la génération automatique de comptes rendus de pathologie à partir de lames numérisées, en réévaluant quatre modèles et trois encodeurs d'images sur trois jeux de données. Leur constat : les métriques de langage habituelles (BLEU, ROUGE, METEOR) récompensent la ressemblance de surface et peuvent bien noter un compte rendu qui a inversé le diagnostic. Pour y remédier ils proposent CRQS, un score qui compare les faits cliniques extraits plutôt que les mots — mais la métrique-juge s'appuie elle-même sur un modèle de langage, et se mesure contre des références bruitées.
Prédire la mortalité à partir d'un ECG, sans étiquette : ce que mesure vraiment l'« erreur de reconstruction » d'un autoencodeur
Une équipe de la Medical University d'Innsbruck a entraîné un autoencodeur masqué sur 7,2 millions d'électrocardiogrammes brésiliens, sans jamais lui montrer qui allait mourir. L'idée : plus un ECG s'écarte de la « normale » apprise, plus son erreur de reconstruction est grande, et plus le risque de décès serait élevé. Validé sur 1,6 million de patients de trois continents, le score prédit bien la mortalité toutes causes — mais un examen attentif montre que le mot « auto-supervisé » cache une sélection par les étiquettes, et que le chiffre vedette n'isole jamais ce que l'ECG apporte au-delà de l'âge.
Prédire l'accouchement prématuré depuis une échographie du col : pourquoi ces modèles d'IA s'effondrent sur un autre échographe
Une équipe de la cohorte GARBH-Ini (Inde du Nord), avec l'université d'Oxford, a entraîné plusieurs modèles — dont un Vision Transformer — à prédire l'accouchement spontané prématuré à partir d'une seule échographie du col au deuxième trimestre. En interne, le meilleur modèle atteint une AUC de 0,71 ; testé sur une cohorte indépendante acquise avec un autre échographe, il tombe à 0,52, à peine mieux que le hasard. Un résultat négatif, honnêtement publié, qui dit surtout ce que l'imagerie par IA ne sait pas encore faire : franchir la porte du laboratoire.
Auditer les biais cachés d'une IA médicale sans métadonnées : ce que propose CAPRA, qui devine les sous-groupes de patients à partir de l'image
Six chercheurs de la Beijing University of Posts and Telecommunications proposent CAPRA, une méthode qui reconstruit des axes démographiques et techniques — âge, sexe, type d'appareil, incidence — directement à partir des images, afin de repérer les sous-groupes de patients sur lesquels un modèle échoue lorsque les métadonnées nécessaires à cet audit ont disparu. Évaluée sur trois modalités — fond d'œil (rétinopathie diabétique), dermoscopie (HAM10000) et radiographie thoracique (CheXpert) —, elle met au jour des disparités que le découpage par métadonnées seules manque, et améliore la performance du pire sous-groupe dans quatorze comparaisons sur quinze quand un apprentissage robuste réutilise ses partitions. Le principe est utile et honnêtement présenté, mais deviner des attributs sensibles à partir de l'image ouvre un risque de circularité, et rien n'est validé en condition clinique.
Diagnostic moléculaire du gliome de l'enfant par IRM : ce qu'apporte, et ce que ne prouve pas, un apprentissage contrastif qui corrige ses « faux négatifs »
Six chercheurs de l'Université de Toronto et de l'hôpital pour enfants SickKids proposent MSeaCL, une méthode qui apprend à relier IRM cérébrales et comptes rendus de radiologie en tenant compte de leur proximité de sens, afin de ne plus traiter comme opposées deux tumeurs pourtant semblables. Pré-entraînée sur 341 paires image–rapport d'un seul hôpital, puis affinée pour classer le sous-type moléculaire de gliomes de bas grade de l'enfant, la méthode ne gagne qu'un centième d'AUC en interne mais bondit de 0,23 point sur un jeu de test externe issu d'autres scanners. Le résultat sur la généralisation est réel et instructif, mais il repose sur des effectifs minuscules, une seule séquence d'image, et une évaluation qui reste loin de la clinique.
Robustesse des foundation models en pathologie : ce qu'un banc d'essai « perturbations plus décalage de distribution » révèle de leur fragilité
Trois chercheurs de l'Université de Warwick soumettent douze foundation models de pathologie numérique, et deux réseaux convolutifs de référence, à onze perturbations d'image réalistes et à un protocole de validation conçu pour casser la ressemblance entre données d'entraînement et de test. Les grands modèles résistent mieux que les anciens réseaux, mais leur robustesse plafonne bien avant le milliard de paramètres, et tous perdent en précision dès qu'on les confronte à des distributions vraiment différentes. Un rappel utile : la fiabilité clinique tiendra à la qualité et à la diversité des données d'entraînement, pas à la taille du modèle.
Prédire Parkinson par la génétique : quand l'enrichissement d'une cohorte transforme un gène de risque en gène « protecteur »
Un chercheur de la Claremont Graduate University entraîne, sur 1 987 participants de la cohorte Fox Insight, une batterie de modèles — d'une régression logistique pénalisée à un ensemble d'algorithmes — pour prédire un diagnostic de maladie de Parkinson à partir de quelques variants génétiques ciblés. Le meilleur modèle atteint une AUC de 0,929 sur un échantillon de test, chiffre en apparence excellent. Mais la cohorte compte 1 861 malades pour seulement 126 témoins, et le variant de risque le mieux connu du domaine y ressort « protecteur » : la performance mesure surtout un artefact de recrutement, pas une capacité de dépistage.
MedQADE : un LLM qui corrige des réponses médicales égale les médecins en accord, mais jamais en prudence
Une équipe des universités de Lübeck, Tübingen, Würzburg et de la Charité de Berlin construit MedQADE, le premier banc d'essai clinique à réponse libre en allemand : 3 800 questions issues de l'examen national de médecine, notées par des médecins et par neuf modèles de langage jouant le correcteur. Le meilleur, Gemini 3 Flash, atteint un accord avec le consensus médical (kappa 0,694) statistiquement indistinguable du plafond humain (0,709). Mais là où les médecins s'abstiennent quand une question dépasse leur compétence, les modèles de pointe tranchent dans 100 % des cas : l'accord de surface arrive sans la prudence clinique qui l'accompagne normalement.
ALICE : un seul modèle de fondation en pathologie distillé à partir de huit experts — meilleur rang moyen sur 96 tâches, mais aucune validation prospective
Une équipe de Tsinghua Shenzhen, d'Oxford et de l'université Sun Yat-sen fond huit modèles de fondation en pathologie numérique en un seul réseau, par « distillation agglomérative » en trois étapes (ALICE). Sur 96 tâches réparties en 48 sources de données, ALICE obtient le meilleur rang moyen face à des modèles spécialisés, en dépassant le deuxième de 1,79, 6,39 et 3,04 points selon le type de tâche. Mais l'évaluation est entièrement rétrospective, les comparateurs sont les propres modèles-professeurs d'ALICE, et aucun contrôle de fuite de données n'est rapporté alors que pré-entraînement et tests partagent la base TCGA.
MedPMC : curer la littérature médicale pour entraîner des modèles multimodaux — +7,1 points d'AUC sur 26 tests, mais une validation clinique encore mince
Une équipe menée par Yale transforme 6,1 millions d'articles de PubMed Central en 11 millions de paires image-texte médicales via un pipeline automatisé en cinq étapes (MedPMC). Un modèle vision-langage entraîné sur ce corpus, MedPMC-CLIP, gagne en moyenne 7,1 points d'AUC sur 26 jeux de test couvrant 11 spécialités, face au meilleur modèle comparable, avec moins de la moitié des données. Mais la seule évaluation sur données de patients réels se réduit à une recherche d'images en dermatologie, et les auteurs préviennent que rien n'est prêt pour un usage clinique.
RAG et santé publique : 99 % de bonnes réponses au QCM, mais à peine deux tiers de réponses fidèles aux recommandations officielles
Une équipe britannique étend PubHealthBench — 7 929 questions tirées de 687 documents de recommandations de santé publique du gouvernement du Royaume-Uni — pour évaluer le Retrieval-Augmented Generation. Ancrer un modèle de langue dans les bons extraits porte la précision au QCM autour de 99 %, au point que de petits modèles ouverts dépassent un gros modèle propriétaire ; mais en réponse libre, la meilleure configuration n'est fidèle aux recommandations que dans 64 % des cas, et le juge automatique s'effondre précisément sur l'exactitude factuelle (κ proche de 0).
Transformer l'attention d'un réseau en biomarqueur : des « signatures radiomiques » guidées par Grad-CAM pour classer les tumeurs — gains marginaux, validation clinique à peine au-dessus du hasard
Une équipe de l'Université de Floride propose de convertir les cartes d'attention Grad-CAM d'un réseau de segmentation en régions « signatures », dont on extrait des variables radiomiques pour classer des tumeurs du sein, du cerveau et du rein. Sur les jeux publics (BUSI, BraTS), la signature améliore la classification de 0,2 à 3 points d'AUC ; mais sur la seule cohorte clinique privée (scanners rénaux de UF Health), tous les réseaux profonds restent proches du hasard (AUC ≈ 0,49–0,59). Le préprint ne rapporte aucun effectif, aucun code, aucune déclaration de financement ni de conflits d'intérêts.
Resynchronisation cardiaque : un jumeau numérique pour choisir où poser la sonde dans le sinus coronaire — pilote sur 74 patients, rien de validé en prospectif
Une équipe russe combine un jumeau numérique du cœur, des simulations électrophysiologiques et un classifieur explicable (SVM) pour prédire, site par site dans le sinus coronaire, la réponse à la resynchronisation cardiaque. Sur 74 patients, le modèle bat un calculateur clinique de référence (AUC 0,78 en validation interne, accuracy 0,78 vs 0,58). Mais la validation est purement interne et rétrospective, la cohorte petite, le cœur du résultat — « une autre position aurait marché » — reste une prédiction in silico jamais vérifiée sur un patient.
ER-JEPA : apprendre l'ECG 12 dérivations sans étiquettes — état de l'art sur un benchmark, rien encore de clinique
Un modèle auto-supervisé hiérarchique, ER-JEPA, est pré-entraîné sur environ 174 000 tracés ECG 12 dérivations non étiquetés venus de Chine et du Brésil, puis évalué sur deux jeux de test publics. Il égale l'état de l'art sur le benchmark ST-MEM et le dépasse en fine-tuning sur PTB-XL (AUC 0,936 et 0,943), sur une seule carte graphique grand public — mais l'entraînement est reconnu instable, le code n'est pas encore publié, et aucun chiffre n'est traduit en performance clinique.
Un indice de fragilité électronique construit par deep learning sur les notes cliniques : sur 193 629 Finlandais, un risque de décès multiplié par 7 chez les plus fragiles — mais un seuil calibré sur la mortalité qu'il prédit
Une équipe finlandaise construit un indice de fragilité électronique en extrayant par deep learning dix déficits fonctionnels des notes cliniques libres, en plus des codes CIM-10 et des analyses. Sur 193 629 personnes de 35 à 103 ans, le risque de décès des plus fragiles est multiplié par 7,3 et celui d'infection sévère par 9,2 — mais les seuils de fragilité sont calibrés sur la mortalité qu'ils prédisent, les comparateurs sont faibles et la validation reste monocentrique.
Genosolver : des grands modèles de langage qui lisent les notes cliniques pour diagnostiquer les maladies rares — gène causal premier dans 72 % des cas résolus, mais 1,7 % de diagnostics en plus sur les cas non résolus
Une équipe d'Aix-la-Chapelle combine grands modèles de langage, modèles de raisonnement et RAG pour extraire les phénotypes des notes cliniques non structurées et reclasser les variants génétiques dans les maladies rares. Le gène causal est classé premier dans 72 % des cas déjà résolus et surpasse Exomiser, mais la réanalyse de 1 875 cas non résolus n'ajoute que 1,7 % de diagnostics — et le comparateur reçoit moins d'information que le modèle.
Prédire le risque d'AVC ischémique à dix ans : un XGBoost qui bat les scores classiques mais dont le risque absolu s'effondre d'un hôpital à l'autre
Une équipe de Birmingham et du Mount Sinai combine dossier médical, trajectoires de biologie et 20 scores de risque polygénique dans un XGBoost pour prédire l'AVC ischémique à dix ans. Le modèle bat largement les scores classiques et sa capacité à classer se transporte sur une cohorte externe — mais le risque absolu s'effondre d'un hôpital à l'autre, l'apport du génome est marginal, et la race auto-déclarée n'ajoute presque rien.
Segmenter la rétine interne dans la rétinite pigmentaire : deux modèles d'IA, dont le foundation model SAM, entraînés sur seulement 228 coupes d'OCT
Une équipe de Göttingen adapte le foundation model SAM et un nnU-Net pour mesurer les couches internes de la rétine en OCT chez des patients atteints de rétinite pigmentaire, avec très peu de données annotées. Fiable sur les couches internes, mais défaillant là où se joue la stadification de la maladie, et validé sur une seule cohorte.
RadGrounder : un modèle vision-langage pour la radiologie qui montre où il regarde, entraîné sur 1,2 million de coupes sans annotation manuelle
RadGrounder rédige des comptes rendus, répond à des questions et localise sur l'image la structure citée, entraîné sur 1,2 million de coupes de scanner et d'IRM étiquetées entièrement par d'autres IA. Performant sur deux benchmarks publics, mais l'ancrage ne pointe que des organes — jamais les lésions.
Pancréatite aiguë sévère : une forêt aléatoire bat tous les modèles d'apprentissage profond sur 722 patients
Sur une cohorte chinoise de 722 patients, onze modèles prédisent la pancréatite aiguë sévère dès l'admission : les modèles classiques l'emportent (Random Forest, AUC 0,877) et l'apprentissage profond échoue, mais la cohorte compte 81 % de cas sévères, à rebours du réel.
Pronostic de l'AVC : six neurologues, un modèle classique et un modèle d'apprentissage profond comparés sur l'essai MR CLEAN
Sur l'essai MR CLEAN, des modèles prédisent le handicap à trois mois après un AVC par occlusion de gros vaisseau mieux que six neurologues, dont l'optimisme systématique fausse le pronostic.
Classer un électrocardiogramme d'urgence depuis son image : un ensemble ConvNeXt approche les cardiologues sur 18 519 tracés
À InCor (São Paulo), un modèle qui lit l'image d'un ECG classe 12 types de tracés d'urgence avec un F1 macro de 0,807, contre 0,820 pour les cardiologues annotateurs — utile quand seul un tracé papier ou photographié est disponible.
Mortalité en réanimation : prédire le décès à partir des 24 premières heures sur MIMIC-IV, et pourquoi calibrer compte autant que discriminer
Cinq modèles tabulaires prédisent la mortalité en réanimation sur 53 866 séjours de MIMIC-IV. AUROC de 0,856, mais une AUPRC de 0,45 et un seul centre rappellent les limites.
Cancer de la prostate : segmenter les lésions sur la TEP-TDM au PSMA par transformeur, et stratifier la survie avant radioligand-thérapie
Fine-UNETR, un transformeur de vision, segmente automatiquement les lésions PSMA sur TEP-TDM corps entier. Dice de 66,63 % en interne, mais 44,11 % en validation externe.
StrokeTHG : prédire la mortalité après un AVC à 30, 90 et 365 jours avec un graphe hétérogène de dossiers patients
Un réseau de neurones sur graphe hétérogène prédit la mortalité post-AVC à trois horizons à partir de dossiers EHR. AUROC 0,837-0,878, mais évaluation mono-centrique et transductive.
Foundation models en cancérologie multimodale : ce que révèle un audit de la pathologie et du transcriptome
Cinq foundation models testés sur lames de pathologie et transcriptome de 7600 patients : sur l’omique, une simple ACP bat le modèle dédié, et fusionner les modalités n’aide pas toujours.
Dépister le cancer du col de l’utérus par IA : ce que révèle une validation sur quatre pays
Un modèle multi-tâche trie les lésions à traiter (CIN2+) sur une seule image de colposcopie. Solide en Allemagne et en Inde, il tombe au niveau du hasard en Roumanie.
Interpréter automatiquement les valeurs Ct de la qPCR : ce que montre un modèle entraîné sur 41 770 courbes d’amplification
Un modèle XGBoost apprend le Ct « normal » sur 41 770 courbes qPCR pour repérer les amplifications anormales — mais sa référence reste la machine et il échoue d’un appareil à l’autre.
Quand un détecteur de cancer de la peau change de pays : un classifieur en cascade d'images dermoscopiques passe de 0,96 à 0,80 d'AUC entre l'archive ISIC et la clinique russe (arXiv, 2026)
Décryptage d'un preprint déposé le 11 juin 2026 sur arXiv par Elena Kozachok et ses collègues : quatre architectures de deep learning (ViT-B/16, Swin-S, ConvNeXt-S, EfficientNetV2-S) et trois schémas de classification — binaire, quatre classes, et une cascade « triage puis différenciation » — sont entraînés sur l'archive ouverte ISIC, puis confrontés à deux petits jeux cliniques russes. En interne, la discrimination binaire bénin/malin est excellente (AUC ROC 0,952 à 0,966) ; sur les données de l'Université Setchenov, elle tombe à 0,797–0,893, la sensibilité chute à 0,53–0,67 et l'erreur de calibration grimpe de 0,02 à 0,27–0,39, le modèle sous-estimant la malignité. La cascade apporte un réglage explicite de la sensibilité, absent des classifieurs en un seul étage. Le travail est honnête sur l'écart de généralisation — mais les cohortes externes sont minuscules et déséquilibrées, sans comparateur dermatologue ni validation prospective.
Prédire la fibrillation atriale cinq minutes à l'avance : un réseau de neurones personnalisé lit l'ECG des dispositifs portables (arXiv, 2026)
Décryptage d'un preprint déposé le 9 juin 2026 sur arXiv par une équipe de l'Université nationale de Séoul : à partir d'un segment d'ECG d'une seule dérivation de 60 secondes, un réseau de neurones tente de prédire si un épisode de fibrillation atriale va débuter dans les 5 minutes. Personnaliser le modèle sur les 24 premières heures d'enregistrement de chaque patient fait passer l'AUROC d'environ 0,61 à 0,71 sur la cohorte interne, et de 0,59 à 0,69 sur une cohorte coréenne externe. Le travail est concret, le code est ouvert et la validation s'étend à trois cohortes — mais la discrimination reste modeste, les seuils sont optimisés sur les propres données de test du patient, la cohorte européenne externe ne compte que 6 patients, et deux auteurs sont liés au fabricant du dispositif.
SchistoTrackNet : un réseau de neurones lit l'échographie du foie pour détecter la fibrose de la bilharziose (medRxiv, 2026)
Décryptage d'un preprint déposé le 2 juin 2026 sur medRxiv : un réseau de neurones classe les images d'échographie hépatique pour repérer la fibrose périportale causée par la schistosomiase, en milieu rural ougandais. Entraîné sur 3 710 images de la cohorte SchistoTrack, le modèle SchistoTrackNet atteint 82,2 % d'exactitude sur six classes et s'accorde mieux avec le médecin qui a réalisé l'examen (kappa 0,77) que ne le fait un second échographiste (0,54). Le travail s'attaque à une maladie négligée avec une rigueur rare — mais la vérité-terrain reste un seul lecteur humain, les données viennent d'un seul pays et d'un seul appareil, et la fibrose la plus sévère n'est détectée qu'une fois sur deux.
Diagnostiquer la leucémie aiguë myéloïde au myélogramme : un pipeline « cellule-à-patient » qui contourne le comptage des blastes (arXiv, 2026)
Décryptage d'un preprint déposé le 9 juin 2026 sur arXiv : un pipeline de deep learning détecte et classe les cellules d'un frottis de moelle osseuse, puis agrège ces observations en un score par patient pour assister le diagnostic de leucémie aiguë myéloïde. Validé sur 258 patients de six centres (dont 89 en validation externe), il atteint un F1 pondéré de 0,87 à 0,91 sur trois centres non vus. La démonstration est soignée et le maillage cellule-à-patient bien pensé — mais la cible apprise est un proxy morphologique, pas le blaste leucémique, et le preprint ne publie aucune métrique diagnostique au niveau du patient, ni code, ni comparaison à un cytologiste.
Quand la densité mammaire fausse l'évaluation des IA de dépistage : le banc d'essai Mass-Bench et la dégradation cachée (Mathematics, 2026)
Décryptage d'une étude publiée le 10 juin 2026 dans Mathematics : Mass-Bench réunit quatre jeux de données publics de mammographie (32 930 images, 8 245 patientes) pour mesurer la détection de masses et la classification BI-RADS non pas globalement, mais stratifiées par densité mammaire. Le constat — la performance s'effondre quand le sein devient dense, ce que les évaluations déséquilibrées masquent — est réel et utile. Mais le papier reproduit certains défauts qu'il dénonce : un chiffre d'accroche absent de ses propres tableaux, des cases de test à une seule image, et aucun code publié pour un objet présenté comme un benchmark.
Concevoir des protéines qui ne reconnaissent qu'une seule forme de leur cible : AlloGen et la sélectivité de conformation apprise (arXiv, 2026)
Décryptage d'AlloGen, un preprint arXiv déposé le 3 juin 2026 : un cadre qui génère des protéines « sur mesure » se liant à une seule conformation de leur cible — la forme active d'une enzyme et pas sa forme au repos. Le cœur du système est un évaluateur appris, Q_θ, qui note la sélectivité de conformation d'une interface protéine-protéine. Sur huit cibles jamais vues à l'entraînement, il atteint une corrélation de rang moyenne de 0,520, et sur la calmoduline des peptides conçus de novo se lient à la forme holo sans liaison détectable à la forme apo. Une démonstration élégante et reproductible que la sélectivité de conformation s'apprend, mais une seule cible validée en éprouvette, une métrique de substitution, des comparateurs faibles et une licence non commerciale la situent loin en amont d'un médicament.
Prédire l'échec d'observance du traitement anti-VIH par machine learning : que vaut une validation « réelle » sur 192 732 dossiers multipays ? (medRxiv, 2026)
Décryptage d'un preprint déposé en mai 2026 sur medRxiv : des modèles de machine learning validés sur 192 732 dossiers cliniques multipays pour prédire l'échec d'observance du traitement anti-VIH et chiffrer les trous du parcours de soins. La validation temporelle atteint une AUC de 0,772 et l'étude documente un délai médian de 74 jours entre diagnostic et mise sous traitement. Une démonstration honnête et utile à grande échelle, mais une discrimination modeste, un critère d'observance opaque dans le résumé public et une modélisation économique aux hypothèses non détaillées invitent à lire les chiffres pour ce qu'ils sont.
Topologie et transformer de vision pour classer les tumeurs cérébrales : que vaut une exactitude de 99,1 % sur une seule base d'IRM ? (Ahmed 2026, arXiv)
Décryptage du preprint déposé le 30 mai 2026 sur arXiv par Faisal Ahmed (Embry-Riddle Aeronautical University, Arizona) : un modèle qui fusionne un transformer de vision et l'analyse topologique des données (homologie persistante) pour classer des IRM cérébrales en quatre catégories. Il rapporte 99,10 % d'exactitude et une AUC de 99,98 % sur le benchmark public BRISC2025 — mais le gain sur les modèles existants tient dans le bruit, l'évaluation repose sur une seule base au découpage image par image qui n'écarte pas la fuite de données, et le jeu de test sert aussi à sélectionner le modèle.
BreastGPT : un seul modèle multimodal pour tout le parcours du cancer du sein — ce que vaut vraiment un score de 90 % sur un benchmark maison (Liu et al. 2026, arXiv)
Décryptage du preprint déposé le 3 juin 2026 sur arXiv par Yang Liu et collègues (DAMO Academy d'Alibaba, Université du Zhejiang, Hupan Lab, West China Hospital, China Medical University) : BreastGPT, un modèle de langage multimodal de 8 milliards de paramètres censé couvrir tout le parcours clinique du cancer du sein — dépistage, diagnostic, planification du traitement — sur cinq modalités d'imagerie (mammographie, échographie, IRM, scanner, lames de pathologie) et le texte. Entraîné sur 1,86 million de paires question-réponse construites par les propres grands modèles d'Alibaba, il atteint 75,66 % d'exactitude sur les questions à choix et 89,92 % sur les questions ouvertes de son propre benchmark BreastStage-Bench. Une prouesse d'ingénierie réelle, mais l'essentiel de l'écart vient de l'entraînement sur la distribution exacte du test : le comparateur équitable ne gagne que quelques points, rien n'a été évalué sur de vrais patients ni comparé à des cliniciens, et le corpus est en grande partie généré par les modèles maison.
MCEN : prédire la réponse complète à la chimiothérapie du cancer du sein à partir d'une biopsie, avec l'architecture Mamba (Zhang et al. 2026, npj Digital Medicine)
Décryptage de l'article publié le 2 juin 2026 dans npj Digital Medicine par Wenchuan Zhang, Shuwan Zhang, Fengling Li, Qingjie Lv, Yuhao Yi et Hong Bu (West China Hospital, Université du Sichuan, et coll.) : MCEN, un modèle d'apprentissage profond fondé sur l'architecture Mamba qui prédit, à partir d'une biopsie à l'aiguille analysée en lame numérique, si une patiente atteinte d'un cancer du sein obtiendra une réponse pathologique complète après chimiothérapie néoadjuvante. Entraîné sur 1 023 patientes d'un hôpital chinois puis testé sur quatre centres indépendants (1 646 patientes au total), il atteint une AUROC de 0,923 à l'entraînement mais retombe à 0,76–0,81 en validation externe, la fusion avec les données clinicopathologiques montant jusqu'à 0,84. Solide par sa vraie validation multicentrique et l'efficacité de Mamba sur les images gigapixels, le travail reste limité par un écart entraînement-validation marqué, une cohorte exclusivement chinoise, des exclusions qui écartent les formes atypiques, et l'absence de comparaison aux pathologistes.
SKELEX : un foundation model entraîné sur 1,3 million de radiographies pour lire l'os, du kyste à la fracture (Kim et al. 2026, npj Digital Medicine)
Décryptage de l'article publié le 2 juin 2026 dans npj Digital Medicine par Shinn Kim, Soobin Lee, Ilkyu Han, Sunghoon Kwon et leurs collègues de l'Université nationale de Séoul : SKELEX, présenté comme le premier foundation model à grande échelle dédié aux radiographies de l'appareil locomoteur. Un autoencodeur masqué à dorsale ViT-Large est pré-entraîné de façon auto-supervisée sur 1 296 540 radiographies non annotées d'un seul hôpital coréen (2010-2016), puis adapté à 12 tâches diagnostiques sur 7 jeux de données publics. Il dépasse cinq modèles de référence de 6,21 % en moyenne relative (AUROC de 0,953 contre 0,884 pour son propre modèle d'initialisation sur la détection de tumeur osseuse), est mieux calibré et atteint la performance des meilleurs avec deux fois moins d'étiquettes. Convaincant sur l'efficacité-étiquette et l'hygiène méthodologique, le travail reste limité par des données d'entraînement mono-centre et mono-pays, une vraie validation externe restreinte à la seule application tumeur osseuse, l'absence de comparaison aux radiologues, une résolution réduite à 224×224, et des poids diffusés pour le seul usage académique.
PINNOCHIO : prédire le visage post-opératoire en chirurgie orthognathique avec un réseau contraint par la physique, aussi précis que les éléments finis mais en quelques secondes (Lee et al. 2026, arXiv)
Décryptage du preprint mis en ligne le 1er juin 2026 sur arXiv (soumis à MICCAI 2026) par Jungwook Lee, Daeseung Kim, Kevin Gu, Zhangfeng Hu, Tianshu Kuang, Finn Hopeman, Michael A.K. Liebschner, Jaime Gateno et Pingkun Yan (Rensselaer Polytechnic Institute, Houston Methodist, Baylor College of Medicine) : PINNOCHIO, un réseau de neurones contraint par la physique qui prédit la déformation des tissus mous du visage après repositionnement des mâchoires, en séparant le mouvement de l'interface os–tissu de la déformation hyperélastique du volume. Sur 40 cas cliniques réels (scanner pré-opératoire + surface 3dMD post-opératoire), il égale ou dépasse le simulateur par éléments finis de référence sur la fidélité de surface (distance de Chamfer 1,12 mm contre 1,30 ; 86,55 % des points à moins de 2 mm contre 80,90 %) tout en s'exécutant en 3,24 secondes au lieu de 3,5 heures. Convaincant sur la vitesse et la plausibilité biomécanique, le travail reste limité par une cohorte de 40 patients, une supervision qui ne porte que sur la surface externe, des paramètres mécaniques fixes identiques pour tous, et l'absence de code ou de poids publiés.
Quand un LLM doit mener l'interrogatoire lui-même : un banc d'essai inspiré de l'examen clinique montre que le raisonnement diagnostique interactif fait chuter la performance (Zhan & Gan 2026, arXiv)
Décryptage du preprint mis en ligne le 21 mai 2026 sur arXiv par Chen Zhan, Xihe Qiu, Xiaoyu Tan, Xibing Zhuang, Gengchen Ma, Yue Zhang, Shuo Li, Peifeng Liu, Xiaoxiao Ge, Liang Liu et Lu Gan : un banc d'essai « OSCE-inspiré » où un simulateur de patient standardisé oblige quinze grands modèles de langage (LLM) à mener eux-mêmes l'interrogatoire, tour après tour, avant de poser un diagnostic. Sur 468 cas, le passage de l'information servie d'emblée à la collecte active de l'anamnèse fait chuter l'exactitude diagnostique de 12,75 % et la qualité des preuves invoquées de 24,36 %, les erreurs venant surtout d'une fermeture diagnostique prématurée et d'un questionnement inefficace. Conclusion sobre et utile : les classements obtenus sur des QCM médicaux statiques surestiment probablement ce dont ces modèles sont capables en consultation réelle. Limites : un simulateur de patient lui-même algorithmique, une provenance des cas non détaillée dans le résumé accessible (risque de contamination), et des chiffres rapportés en valeurs relatives sans comparateur humain explicite.
GTBIS : un modèle de deep learning qui lit la morphologie des carcinomes neuroendocrines pulmonaires combinés pour en prédire le pronostic (Yang & Zhou 2026, npj Digital Medicine)
Décryptage de l'étude de Lin Yang, Ruyu Sheng, Zijian Yang, Shilong Liu et Meng Zhou (National Cancer Center / Cancer Hospital de l'Académie chinoise des sciences médicales à Pékin, Wenzhou Medical University et Harbin Medical University Cancer Hospital) publiée le 30 mai 2026 dans npj Digital Medicine : GTBIS, un modèle de deep learning interprétable qui analyse la morphologie des lames de pathologie pour distinguer le carcinome à petites cellules (SCLC) du carcinome neuroendocrine à grandes cellules (LCNEC), puis applique cette lecture aux tumeurs combinées cSCLC-LCNEC afin d'en stratifier le pronostic. Sur des cohortes multicentriques totalisant 670 patients, le modèle sépare les tumeurs combinées traitées par chimioradiothérapie en un sous-groupe SCLC-like de pronostic favorable (survie globale à cinq ans de 100 % contre 39,5 %, survie sans maladie de 87,5 % contre 36,0 %) et un sous-groupe LCNEC-like de mauvais pronostic, la classification restant un facteur pronostique indépendant en analyse multivariée. Mais l'effectif est modeste, les centres sont exclusivement chinois, la validation est rétrospective sans comparateur humain explicite, et la licence CC BY-NC-ND ferme l'adaptation.
Pathog-PDx : un système d'apprentissage automatique pour identifier 22 pathogènes respiratoires pédiatriques à partir du dossier électronique (Su 2026, npj Digital Medicine)
Décryptage de l'étude de Dubin Su, Qun Chen, Ruizhi Xu et collègues (First Affiliated Hospital of Xiamen University, Zhengzhou University, Nanjing University, Shenzhen Second People's Hospital et UIUC) publiée le 29 mai 2026 dans npj Digital Medicine : un système de diagnostic baptisé Pathog-PDx qui combine 42 variables cliniques et biologiques tirées du dossier électronique pour distinguer 22 sous-types de pathogènes responsables d'infections respiratoires chez l'enfant hospitalisé. Cohorte de développement de 134 500 enfants sur trois centres et deux bases de données, validation prospective indépendante sur 1 338 enfants, AUC moyenne 0,88 sur les 22 pathogènes et 0,95 pour le virus de la grippe, déploiement en ligne d'un système d'aide à la décision. Mais tous les centres de développement sont chinois, le comparateur clinique humain est absent, la licence CC BY-NC-ND ferme l'adaptation académique, et la nature même du gold standard à 22 classes mérite d'être discutée.
EpiVLM : un modèle vision-langage pour détecter et classer les crises d'épilepsie sur vidéo, de l'hôpital au domicile (He 2026, npj Digital Medicine)
Décryptage de l'étude de Mengqiao He, Leihao Sha, Pengfei Wei, Lei Chen et collègues (West China Hospital, Sichuan University et Shenzhen Institutes of Advanced Technology, CAS) publiée le 26 mai 2026 dans npj Digital Medicine : un modèle vision-langage (VLM) baptisé EpiVLM qui combine des prompts cliniquement structurés et un raisonnement vidéo pour reconnaître cinq sémiologies de crise épileptique sur 232 enregistrements vidéo de 127 patients (11 666 segments annotés) issus de deux centres tertiaires, de domiciles non contraints et d'un jeu de données public indépendant. Précision 0,795 à 0,947, sensibilité 0,842 à 0,957, faux positifs vidéo 0,47 à 2,45 %, délai onset-to-detection moyen inférieur à 6 secondes, prompts et seuils fixés a priori sans recalibrage. Mais centres principalement chinois, contenu détaillé de la cohorte « domicile » peu décrit dans le résumé, absence de comparaison frontale avec annotateurs humains, et une affiliation commerciale (Brain Everest LLC) chez l'un des co-auteurs sans déclaration d'intérêts.
Pipeline neuro-imagerie automatisé pour le pronostic cognitif post-AVC (étude Brzus 2026, npj Digital Medicine)
Décryptage de l'étude de Michal Brzus, Joseph Griffis, Aaron D. Boes et collègues (Université d'Iowa) parue le 27 mai 2026 dans npj Digital Medicine : un pipeline DICOM vers PDF entièrement automatisé qui segmente les lésions ischémiques par 3D Residual U-Net, prédit 28 outcomes neuropsychologiques par lesion network mapping, et rédige un rapport personnalisé via LLaMA 3.3 70B air-gapped, en moins de trois minutes. Entraînement sur 604 patients de l'Iowa Lesion Registry, test indépendant sur 153 patients AVC ischémique imagés sur 17 modèles de scanners. AUC de 0,74 à 0,90 sur cinq domaines cognitifs détaillés, 96 % de concordance entre prédictions issues de segmentations automatiques et manuelles. Mais entraînement et test du même centre, aucun comparateur clinique (NIHSS, mRS, démographie seule), revue clinique des rapports par l'auteur senior lui-même, et quatre des sept auteurs détiennent le brevet associé et co-fondent NeuroPred Inc.
SHAP et SVM pour prédire la thrombose veineuse profonde après chirurgie du cancer de l'endomètre (étude Zhou 2026, npj Digital Medicine)
Décryptage de l'article de Qing Zhou et collègues paru le 27 mai 2026 dans npj Digital Medicine : un modèle SVM à quatre variables (D-dimères postopératoires, âge, fibrinogène, stade FIGO) prédit la thrombose veineuse profonde après chirurgie du cancer de l'endomètre, avec AUC 0,828 en validation interne et 0,819 en cohorte externe sur 841 + 95 patientes chinoises. SHAP rend les contributions interprétables. Mais imagerie déclenchée par symptômes (biais de détection), cohorte 100 % chinoise, pas de comparaison frontale avec les scores Caprini/Wells, et D-dimères mesurés après la chirurgie — il s'agit donc plus d'une aide à la détection précoce que d'une prédiction stricte.
UNet-MoE-Cli : un mixture-of-experts pour personnaliser le néoadjuvant du cancer du rectum (étude Liu 2026, npj Digital Medicine)
Décryptage de l'article de Xiangyu Liu et collègues paru le 26 mai 2026 dans npj Digital Medicine : UNet-MoE-Cli, un mixture-of-experts deep learning sur IRM multiparamétrique et variables cliniques, estime régime par régime la probabilité de réponse pathologique complète au néoadjuvant du cancer du rectum localement avancé. AUC 0,827 en validation interne, 0,790 en cohorte prospective (ChiCTR2400085797), mais sensibilité de 0,45–0,53 seulement, expert nCT mono-centre, cohorte 100 % chinoise, et bénéfice de l'escalade calculé par le modèle lui-même.
Quand le texte mange l'image : ce que l'étude Restrepo 2026 révèle sur la fragilité contextuelle des VLMs cliniques sur MIMIC-CXR
Décryptage du preprint arXiv 2605.17436 du 17 mai 2026 de David Restrepo (CentraleSupélec-Université Paris-Saclay) et collègues : huit modèles vision-langage évalués sur 1 000 radiographies thoraciques MIMIC-CXR perdent jusqu'à 66 % de leurs bonnes décisions quand on remplace le texte du dossier par celui d'un patient de classe opposée. Image-seule plafonne à 0,50–0,68, texte-seul égale le multimodal. Même MedGemma adapté au médical s'effondre. Ces VLMs sont des classifieurs de comptes-rendus déguisés en lecteurs d'images.
PromptRad : étiqueter des comptes-rendus de scanner du foie avec 32 exemples annotés, et faire jeu égal avec GPT-4
Décryptage du preprint arXiv 2605.20052 (BioNLP 2026 @ ACL) de Ying-Jia Lin et collègues (Chang Gung University, Taïwan) : un PubMedBERT de 110 millions de paramètres, ajusté par prompt-tuning avec un verbalisateur enrichi par UMLS, atteint 89,2 % de F1 macro sur sept catégories de lésions hépatiques en scanner — à partir de 32 comptes-rendus annotés seulement, et avec une meilleure gestion des négations que GPT-4.
10 000 cas synthétiques contre quatre LLM frontières : ce que l'étude Auger 2026 révèle sur les angles morts de Gemini 3 et GPT-5 en sclérose en plaques
Décryptage du preprint medRxiv d'avril 2026 de Stephen D. Auger (Imperial College London) : jusqu'à 10 000 cas synthétiques de sclérose en plaques avec vérité-terrain, quatre modèles frontières (Gemini 3 Pro/Flash, GPT-5.2/5-mini) évalués sur diagnostic, localisation, examens et conduite à tenir. La précision diagnostique ne prédit pas la sécurité thérapeutique : Gemini sous-utilise les corticoïdes appropriés, GPT-5 propose une thrombolyse intraveineuse dans près d'un cas sur dix.
GPT-4 en radiologie : pourquoi le format d'explication d'un LLM change la précision diagnostique des médecins
Décryptage du papier npj Digital Medicine 2026 de Spitzer et al. : essai randomisé sur 101 radiologues comparant trois formats d'explication de GPT-4. Le chain-of-thought apporte 12,2 points de précision, le diagnostic différentiel induit un biais d'automatisation. Implications pour le déploiement clinique des LLMs.
GigaPath en pathologie numérique : ce que change un foundation model entraîné sur 1,3 milliard de tuiles
Décryptage du papier Nature 2024 sur Prov-GigaPath, foundation model transformer pour la pathologie numérique. Architecture, données, performance sur 26 benchmarks de cancer, et ce que cela change vraiment pour le diagnostic.