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 du Centre de génétique humaine de l'université RWTH d'Aix-la-Chapelle construit Genosolver, un enchaînement de grands modèles de langage qui lit les comptes rendus cliniques bruts, en extrait les caractéristiques du patient, puis reclasse les variants génétiques pour proposer un diagnostic de maladie rare. Sur 233 cas déjà résolus, le gène en cause est classé premier dans 72 % des cas et présent dans les dix premiers dans 94 %, devançant l'outil de référence Exomiser. Mais appliqué à 1 875 cas restés sans diagnostic, l'outil n'en résout que 1,7 % de plus, le comparateur reçoit moins d'information que le modèle, et un seul des grands modèles testés dépasse la référence.

Le contexte

Une maladie rare touche peu de personnes prise isolément, mais elles se comptent par milliers et concernent, ensemble, des dizaines de millions de patients. Beaucoup ont une cause génétique. Le parcours de diagnostic — l'« errance diagnostique » — dure souvent des années, et malgré le séquençage de l'exome (WES, la lecture des régions codantes du génome) ou du génome complet (WGS), une majorité de patients reste sans réponse après un bilan de pointe.

Le goulot d'étranglement n'est pas seulement génomique, il est phénotypique. Pour rapprocher un patient d'un gène, on résume ses signes cliniques en termes standardisés de la Human Phenotype Ontology (HPO, un vocabulaire contrôlé qui associe à chaque symptôme un identifiant unique). Or l'HPO capte mal l'âge de début, l'évolution dans le temps, le détail d'un symptôme, l'histoire familiale, ou l'absence d'un signe — autant d'informations qui vivent dans le texte libre des comptes rendus, pas dans une liste de codes. La promesse des grands modèles de langage (LLM, des modèles entraînés à produire du texte, capables de lire et de résumer des documents) et des modèles de raisonnement (LRM, des LLM entraînés à dérouler des étapes de raisonnement avant de répondre) est précisément de lire ce texte brut. La question de ce préprint : cette lecture améliore-t-elle vraiment le diagnostic, et de combien en conditions réelles ?

La méthode

Genosolver est un enchaînement de trois modules, sans réentraînement des modèles, enrichi par une approche RAG (retrieval-augmented generation : le modèle va d'abord chercher des passages pertinents dans une base documentaire, puis raisonne à partir d'eux plutôt que de sa seule mémoire). Le premier module extrait les caractéristiques phénotypiques des dossiers non structurés. Le deuxième dresse une liste de maladies candidates en filtrant une base de connaissances (GeneReviews, UniProt, HPO) via une recherche vectorielle. Le troisième associe ces hypothèses à la liste de variants génétiques du patient et les reclasse, en produisant un résumé de raisonnement.

Les bases de connaissances interrogées sont massives : 102 899 lignes gène-phénotype dérivées des 950 chapitres de GeneReviews, 12 412 associations gène-maladie d'UniProt couvrant 12 260 gènes. Le texte clinique, en allemand, est traduit en anglais par un modèle dédié. Pour la priorisation finale, les auteurs comparent plusieurs LLM exécutables localement — Llama-3.3-70B, MedGo 32B, DeepSeek-R1-Distill-70B, GPT OSS 120B — plus GPT-5.1 via un service en résidence européenne, choix motivé par la confidentialité des données de santé (tout tourne en local ou dans l'UE).

L'évaluation principale porte sur 233 cas déjà résolus génétiquement à Aix-la-Chapelle (troubles neurodéveloppementaux, neuromusculaires, atteintes d'organe, hématologie ; âge médian 25,5 ans). Le comparateur est Exomiser, un outil établi de priorisation de variants, exécuté avec ses réglages standard et les termes HPO assignés par des experts. La métrique est le taux de succès à k (recall@k) : la proportion de cas où le bon gène figure dans les k premiers de la liste, pour k = 1, 3, 5, 10. Une seconde cohorte sert de test grandeur nature : 1 875 cas antérieurement non résolus, réanalysés deux à trois ans après leur séquençage.

Les résultats

Sur les 233 cas résolus, la meilleure configuration — Genosolver nourri aux notes brutes et couplé à GPT OSS 120B — classe le gène causal premier dans 72 % des cas (recall@1 = 0,72), dans les trois premiers dans 83 %, dans les dix premiers dans 94 % (recall@10 = 0,94). Exomiser, le deuxième meilleur, atteint 0,63 / 0,78 / 0,85 aux mêmes rangs : l'écart est d'environ neuf points au recall@10. Fait notable, ce résultat repose sur un seul modèle : les trois autres LLM testés ne dépassent pas la référence. Quand on remplace les notes brutes par les seuls termes HPO, l'avantage de Genosolver fond, ce qui confirme que le gain vient de la lecture du texte libre, pas de l'architecture.

La lecture du texte apporte une information réelle : 522 éléments phénotypiques extraits n'étaient rattachables à aucun terme HPO, dont 342 traits tout simplement manqués par les experts, 67 informations temporelles (âge de début, évolution), 8 traits négatifs (l'absence explicite d'un signe) et 6 éléments d'histoire familiale. Le modèle de raisonnement exploite ces indices : il utilise l'âge dans 43 cas (100 % à bon escient), l'histoire familiale dans 48 cas (47 corrects), mais le sexe dans 9 cas seulement, dont 3 à tort — une trace d'hallucination.

Traduction clinique, et c'est le chiffre qui compte. Sur les 1 875 cas réellement non résolus, Genosolver produit 31 nouveaux diagnostics, soit un rendement additionnel de 1,7 % — un ordre de grandeur cohérent avec d'autres pipelines de réanalyse. Et sur ces 31, 21 tenaient à un simple ajustement des règles de filtrage des variants, 6 à un reclassement de la base ClinVar entre-temps, 2 à un changement d'annotation du gène. Autrement dit, l'essentiel du gain « en conditions réelles » ne vient pas d'un raisonnement diagnostique nouveau, mais de l'évolution des annotations et des seuils. Il y a loin des 72 % de la vitrine au 1,7 % du terrain.

Ce qui est bien

Capturer le phénotype au-delà de la liste de codes. La contribution la plus solide est mesurée, pas seulement affirmée : 522 éléments cliniques absents de l'HPO, catégorisés finement (traits manqués, dynamique temporelle, signes négatifs, histoire familiale). C'est le vrai apport des LLM ici — lire ce que la standardisation jette, et le fait que l'avantage s'évapore quand on repasse aux seuls termes HPO le démontre a contrario.

Un comparateur établi et un souci de confidentialité. Beaucoup d'articles LLM se comparent à eux-mêmes. Ici, la référence est Exomiser, un outil réellement utilisé en génétique clinique, testé sur plusieurs configurations de fusion. Et l'ensemble est conçu pour tourner en local ou en résidence européenne, contrainte concrète et rarement respectée quand on manipule des dossiers de patients.

L'honnêteté sur le rendement réel. Les auteurs ne masquent pas le 1,7 % derrière les 72 %. Ils rapportent la réanalyse des cas non résolus, décomposent l'origine des 31 diagnostics, et situent leur chiffre par rapport à des pipelines existants. Cette distinction entre reclasser une liste et découvrir un diagnostic est exactement ce qui manque à la plupart des annonces du domaine.

Ce qui est moins bien

Une évaluation par procuration exposée à la fuite d'annotations. C'est la limite centrale, et elle relève à la fois du data leakage et de la métrique trompeuse. Les 233 cas sont déjà résolus ; les bases interrogées par le RAG (GeneReviews, OMIM, ClinVar) contiennent déjà l'association gène-maladie pour ces cas ; et la liste de variants soumise au modèle est pré-filtrée sur des annotations pathogènes (ClinVar non bénin, CADD supérieur à 20). Le bon gène est donc quasi garanti présent dans la liste d'entrée : le recall@k mesure une capacité à réordonner une liste courte déjà enrichie, pas à diagnostiquer de zéro. Le seul test qui échappe à ce biais — les cas non résolus — donne 1,7 %.

Un comparateur désavantagé. Le « +9 % » sur Exomiser n'est pas obtenu à armes égales : Exomiser ne reçoit que les termes HPO des experts, tandis que Genosolver reçoit la totalité des notes cliniques riches. On compare deux outils nourris d'informations différentes, puis on attribue l'écart au second. À information d'entrée égale (HPO seul), l'avantage disparaît — les auteurs le montrent eux-mêmes.

Un seul site, un seul modèle, une reproductibilité fermée. Toute la validation est mono-centrique (Aix-la-Chapelle, texte allemand traduit) : aucune cohorte externe, aucune diversité de population, généralisabilité inconnue. Un seul des quatre LLM testés dépasse la référence, ce qui rend la conclusion fragile face au choix du modèle. Aucun intervalle de confiance ni test statistique n'accompagne les écarts. Enfin, le code n'est promis qu'« à la publication », les données patients ne sont pas partageables, et il s'agit d'un préprint non relu par les pairs, que les auteurs eux-mêmes signalent comme ne devant pas guider la pratique clinique.

Ce que ça change

Pour la communauté de recherche, le message utile n'est pas « les LLM diagnostiquent les maladies rares », mais « les LLM savent extraire du texte clinique libre des éléments phénotypiques que l'HPO laisse échapper ». C'est un apport de prétraitement, réel et réutilisable. Le préprint offre aussi une leçon de méthode : évaluer un tel outil sur des cas déjà résolus, avec des listes de variants pré-annotées, surestime mécaniquement sa valeur ; le seul juge crédible est une cohorte réellement non résolue, où le chiffre retombe à 1,7 %.

Pour les cliniciens, rien n'est déployable aujourd'hui : outil de recherche semi-automatisé, mono-centrique, non approuvé, sans validation prospective, et explicitement non destiné à la pratique. L'idée d'un assistant qui relit les comptes rendus pour ne rien perdre du phénotype est crédible à moyen terme, en appui du généticien, pas à sa place. Pour les patients et le grand public, l'étude illustre l'écart entre une accroche et une réalité : un « 72 % » spectaculaire décrit un reclassement de listes où la réponse est déjà présente, tandis que le gain en vie réelle — résoudre des cas ouverts — est de 1,7 %. Ce qui ne retire rien à l'intérêt de mieux lire les dossiers : pour une famille en errance depuis dix ans, un diagnostic sur cinquante-neuf de plus n'est pas rien.

Pour aller plus loin

Le préprint est disponible sur medRxiv (10.64898/2026.06.04.26354845). Sur les grands modèles de langage confrontés au raisonnement diagnostique, voir notre décryptage d'un LLM qui cherche activement l'information avant de conclure ; sur un système d'IA diagnostique validé en multicentrique, celui d'un outil de détection de 22 pathogènes respiratoires pédiatriques ; et sur le fossé entre performance affichée et validation en conditions réelles, celui d'une validation en monde réel d'un modèle d'observance.

Transparence éditoriale : version française rédigée et signée par la rédaction de Tatakoto à partir de la lecture du préprint. Traductions anglaise, espagnole et chinoise produites avec assistance IA et relues.