Implementation of large language models in clinics: challenges and opportunities
Mise en œuvre de grands modèles de langage en clinique : défis et opportunités
Un résumé réalisé par le Dr Isabelle Aknin (linkedin.com/in/dr-i-aknin-armd), à partir de la présentation du Pr Tien Yin Wong (linkedin.com/in/tien-yin-wong-黄天荫-b0275733), Founding Head & Chair Professor, Tsinghua Medicine, Beijing, China
L’IA en médecine évolue rapidement
Adoption précoce de l’apprentissage automatique, puis percée du deep learning en 2015, notamment pour le dépistage des maladies oculaires comme la rétinopathie diabétique, grâce à des collaborations internationales (et les financements de Google).
Essor des grands modèles de langage (LLM) et de l’IA générative
Passage des LLM généralistes (ex. ChatGPT, Llama) à des modèles médicaux spécialisés, intégrant des connaissances cliniques via des approches comme la génération augmentée par récupération (RAG). L’auteur souligne l’importance de choisir des LLM adaptés à chaque usage clinique.
Développement de modèles d’IA spécifiques en ophtalmologie
Il y a une multiplication des modèles pour le dépistage, le diagnostic, la classification (imagerie OCT) et l’aide à la décision clinique, avec des exemples concrets comme le programme de dépistage de la rétinopathie diabétique. Il y a maintenant l’approche « REACH » pour l’ajustement fin des modèles.
L’intégration en clinique reste un défi majeur
Difficulté à gérer des données multimodales de patients, intégration complexe dans les flux de travail réels (pas encore assez rapide), écart entre une performance académique et une réelle utilité clinique. Et surtout le manque de raisonnement clinique, les questions de propriété intellectuelle avec le partage des données.
Les « 5 P » pour une intégration réussie de l’IA
- Personnes : Collaboration multidisciplinaire et formation continue.
- Plateformes : Besoin de plateformes robustes pour le partage et le calcul des données.
- Processus : Implémentation sur le long terme, engagement réglementaire et études de rentabilité.
- Protocoles : Élaboration de lignes directrices pour l’équité, l’évaluation et les résultats cliniques.
- Pilote : Nécessité d’études pilotes et d’essais cliniques adaptés à l’évolution rapide de l’IA.
- Perspectives et collaborations (ça fait 6P…) : Renforcement des plateformes de partage, développement de modèles interactifs basés sur le raisonnement (ex. DeepSeek, bon il est chinois…), importance des équipes pluridisciplinaires du programmateur au clinicien, et appel à la prudence et à l’humilité dans l’adoption des nouvelles technologies.
Cette présentation souligne l’opportunité de transformer la pratique clinique grâce à l’IA, tout en insistant sur la nécessité d’une approche structurée, collaborative et responsable pour relever les défis de l’intégration réelle en santé, dans le respect de l’éthique.
