★ À maîtriser
L’intelligence artificielle est un domaine large qui inclut le Machine Learning, lequel comprend notamment les réseaux de neurones et le Deep Learning.
L’entraînement traite des données pour produire un modèle composé de paramètres, tandis que l’inférence applique ce modèle à de nouvelles données jamais vues.
En apprentissage supervisé, les données d’entraînement sont étiquetées par un humain, contrairement aux apprentissages non supervisé, semi-supervisé et auto-supervisé.
Compléments
L’essor du Deep Learning après 2010 est lié à la disponibilité de GPU plus performants, capables d’exécuter de grands volumes de calculs simultanés.
Dans l’apprentissage supervisé, les données numériques traversent des fonctions à paramètres initialisés aléatoirement, la sortie est comparée à la vérité terrain, puis la fonction de perte mesure l’erreur et permet d’actualiser les paramètres.
En vision par ordinateur, les réseaux convolutionnels ont marqué une génération antérieure aux Vision Transformers.
En traitement du langage, les réseaux récurrents sont associés à la génération de 2012, tandis que les Transformers datent de 2017 et comprennent des modèles génératifs et non génératifs.
Les données hospitalières en oncologie comprennent des données tabulaires, des comptes rendus en texte libre, des images radiologiques et anatomopathologiques, ainsi que des données génétiques.
Les comptes rendus de consultation contiennent environ 80 % des informations cliniques, mais sont non structurés et varient selon le médecin ou le service.
📌 L’IA aide déjà les radiologues à analyser des scanners en routine, tandis que le pronostic et le choix des traitements restent en recherche active et que la découverte de molécules demeure émergente.
★ À maîtriser
Moins de 8 % des adultes atteints de cancer participent à un essai clinique au cours de leur maladie, alors que l’objectif annoncé est d’atteindre 20 %.
L’éligibilité dépend notamment :
Lors d’un test de quatre outils automatiques sur 157 patients, seul un essai proposé sur trois était correct, principalement parce que les outils distinguaient mal un gène de son variant exigé.
Le système de Trial Matching utilise Digitalis pour réduire la liste à une dizaine ou une vingtaine d’essais, puis le LLM open source Qwen analyse finement les comptes rendus et les critères.
Le système de Trial Matching détecte et élimine entre 74 % et 80 % des essais incorrects, et génère une explication du rejet dont la raison mathématique est jugée bonne dans 30 % des cas.
Compléments
📌 L’équipe privilégie les LLM open source pour éviter les coûts élevés et la sortie de données médicales vers des tiers, tout en permettant l’accès au code et l’adaptation locale du modèle.
★ À maîtriser
Environ 40 % des patients inclus dans un essai clinique en sortent après quelques jours, notamment en raison d’une toxicité, d’un retrait de consentement, d’un décès précoce ou du non-respect de critères biologiques post-inclusion.
Le modèle Concovert, pré-entraîné sur les données oncologiques du CLB, est ajusté par fine-tuning pour une classification binaire à partir d’une cohorte de 10 000 patients et atteint une performance égale à celle des humains.
Le système multi-agents MHDB associe des modèles spécialisés par type de données à un LLM orchestrateur qui commande les agents, agrège leurs réponses et produit le rapport final.
Compléments
Le modèle peut surligner des mots cliniques comme :
Les agents MHDB analysent les prises de sang et données génomiques pour le Trial Matching et les marqueurs, les comptes rendus pour l’historique clinique et le Trial Matching, les scanners pour le critère RECIST, et les lames de biopsie pour compter les cellules tumorales.
L’équipe a créé 70 profils complets de patients virtuels artificiels pour fournir une base d’évaluation commune sans partager des données médicales réelles confidentielles.
★ À maîtriser
Un article de 2026 rapporte qu’un modèle atteint 86 % à 90 % sur un examen virtuel de type QCM, mais 52 % en environnement clinique réel et 18 % sur des questions médicales complexes.
Dans un jeu contenant 95 % de positifs, un modèle prédisant toujours positif atteint 95 % d’accuracy, mais sa balanced accuracy tombe à 0,5.
Compléments
En oncologie, une faible valeur prédictive positive génère de fausses alertes, tandis qu’un excès de prudence qui privilégie la précision peut produire des faux négatifs et priver un patient d’une possibilité de traitement.
L’explicabilité locale concerne une prédiction particulière, tandis que l’explicabilité globale décrit la logique générale du modèle.
L’explicabilité post-hoc s’applique après l’entraînement à un modèle existant, tandis que l’explicabilité intrinsèque est intégrée à la conception du modèle.
La méthode SHAP, fondée sur la théorie des jeux, estime la contribution de chaque mot à une prédiction.
📌 Demander à un LLM d’expliquer lui-même sa réflexion par écrit expose à des risques avérés de mensonge ou d’hallucination.
📌 La documentation d’un modèle doit préciser la population d’entraînement, car un modèle entraîné exclusivement sur des hommes peut échouer en routine sur des femmes.
Score brut ≠ probabilité fiable : calibration et intervalle apportent une incertitude lisible.
★ À maîtriser
Selon les données ADEME 2022, le numérique représentait 4,4 % de l’empreinte carbone globale de la France, dont 46 % était généré par les data centers.
En 2025, 84 % des articles scientifiques sur l’IA ne publiaient aucune information énergétique, 14 % ne fournissaient que des données indirectes et 2 % affichaient une transparence totale.
Compléments
Le PUE moyen aux États-Unis est de 1,6, ce qui correspond à 0,6 watt de refroidissement pour 1 watt de calcul.
La quantification réduit le stockage des paramètres en mémoire en utilisant des formats comportant moins de bits que le format standard de 64 bits.
📌 Le transfert d’apprentissage réutilise un modèle de fondation pré-entraîné pour une nouvelle tâche, tandis que le pruning limite drastiquement le nombre de paramètres activés ou entraînés.
Calcul des machines → chaleur → énergie de refroidissement.
Teste tes connaissances sur Intelligence artificielle en oncologie avec 10 questions à choix multiples et corrections détaillées.
1. Quelle relation décrit correctement l’intelligence artificielle et le Machine Learning ?
2. Un modèle entraîné est appliqué à des données nouvelles qui n’ont pas servi à son apprentissage : quelle étape est réalisée ?
Mémorisez les concepts clés de Intelligence artificielle en oncologie avec 10 flashcards interactives.
Quel domaine comprend le Machine Learning, les réseaux de neurones et le Deep Learning ?
L’intelligence artificielle.
Sur quoi repose le Deep Learning ?
Sur des réseaux de neurones à grande échelle, dotés de nombreux paramètres et entraînés sur de nombreuses données.
Quelles formes de données hospitalières sont utilisées en oncologie ?
Des tableaux, des comptes rendus libres, des images radiologiques et anatomopathologiques, ainsi que des données génétiques.
Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.
Générateur de fiches