Le cadre développé à Lausanne documente les données, le code et les évaluations afin de rendre l'utilisation des modèles de langage dans le domaine de la santé plus inspectable.

Le secteur de la santé est l'un des domaines où l'adoption deintelligence artificielle et mégadonnées On procède avec une plus grande prudence, non par manque d'intérêt, mais parce que l'erreur a des conséquences directes pour les personnes. De grands modèles de langage sont déjà utilisés, ou testés, pour appuyer le travail des médecins : ils peuvent faciliter un diagnostic, synthétiser la documentation clinique, suggérer des priorités ou aider à la prise de décisions aux urgences. Le point critique demeure cependant la vérifiabilité. Si un système émet une recommandation sans rendre accessibles ses données, ses méthodes et ses critères d'apprentissage, le contrôle indépendant devient fragile.

C'est sur ce point qu'il intervient. MeditronFO, annoncé par leÉcole Polytechnique Fédérale de LausanneSelon l'Université de Vaud, il s'agit du premier cadre entièrement ouvert pour la construction médecins à modèle de langage étenduL'accent n'est pas seulement mis sur la disponibilité du modèle final, mais sur l'ensemble de la chaîne de développement : données, code, procédures de formation, documentation et évaluations. Dans un secteur réglementé, sensible et soumis à une obligation de transparence, cette différence est significative.

Le projet est né en Laboratoire des technologies intelligentes de santé mondiale et de réponse humanitaire, connu sous le nom LégerAu sein de la Faculté d'informatique et des sciences de la communication de l'EPFL, ce projet s'appuie sur la base technique ouverte déjà utilisée par Meditron et publiée en 2023. L'évolution présentée ici vise à rendre la méthode de construction plus transparente. L'objectif affiché est de permettre la « médicalisation » des modèles ouverts de base, c'est-à-dire leur adaptation au domaine de la santé grâce aux connaissances cliniques, aux jeux de données documentés et aux procédures de validation spécifiques.

Pourquoi l'ouverture est plus importante que la simple autorisation de mise sur le marché.

Dans le jargon de l'IA, le terme « ouvert » est souvent employé de manière incohérente. Un modèle peut rendre accessibles les pondérations, mais garder opaques les jeux de données, les étapes de filtrage, les choix d'entraînement ou les protocoles d'évaluation. En pratique clinique, cette ouverture partielle pose un problème d'audit : les hôpitaux, les chercheurs, les autorités et la communauté médicale peuvent consulter les résultats, mais pas toujours reconstituer la méthode utilisée pour les obtenir.

MeditronFO des tentatives pour combler cet écart. Le cadre a été appliqué à des modèles de base entièrement ouverts, notamment OLMo, EuroLLM e Apertus, un modèle suisse développé par l'EPFL et l'ETH Zurich dans le cadre de l'Initiative suisse pour l'IA. Cette évolution est significative car elle déplace l'attention de la performance isolée vers traçabilité du développementEn médecine, connaître le chemin emprunté par un système pour parvenir à une réponse peut être aussi important que de mesurer la précision de la réponse elle-même.

Xavier Theimer-Lienhard, un doctorant qui dirige Meditron chez LiGHT, résume le principe par une comparaison directe entre la formation clinique et la formation sur modèle.

« Nous ne ferions jamais confiance à un médecin dont la formation ne pourrait être vérifiée : la même norme devrait s'appliquer à l'IA dans le domaine de la santé. »

Cette déclaration clarifie un aspect souvent négligé dans le débat sur les systèmes génératifs : la fiabilité ne se limite pas à la disponibilité d’une interface efficace. Elle requiert au contraire documentation, reproductibilité et possibilité de contrôle. La question concerne également… sécurité et confidentialité, car les modèles de soins de santé traitent des connaissances et des données qui peuvent frôler la nature sensible de l'information, même lorsqu'ils n'incluent pas directement de dossiers médicaux identifiables.

Le caractère ouvert des données ne supprime pas à lui seul le risque de biais, d'erreurs ou de mésusage. Toutefois, il atténue l'un des principaux obstacles à l'analyse indépendante. Autrement dit, il ne garantit pas automatiquement la sécurité clinique, mais il concrétise les travaux de vérification, de comparaison et d'amélioration.

Les cliniciens impliqués dans la construction, et pas seulement dans le test final

L'une des caractéristiques distinctives du projet est l'implication des professionnels de santé dès les premières étapes. Selon l'EPFL, MeditronFO a été développé avec la participation de cliniciens à la sélection des données, à la validation des résultats et à l'identification des problèmes critiques potentiels. Cette approche réduit le risque de développer des outils formellement sophistiqués mais mal adaptés à la pratique quotidienne.

La validation passe également par DÉPLACERL'acronyme FOUE (Validation et Évaluations en Ligne Ouvertes Massives) désigne un environnement permettant aux cliniciens de participer à l'évaluation et à l'amélioration continue des modèles. Pour une technologie conçue pour interagir avec la pratique médicale réelle, il s'agit d'un point crucial : le défi n'est pas simplement de répondre correctement à une question, mais de le faire dans des conditions similaires à celles du travail d'un médecin, avec des contraintes de temps, des informations incomplètes et des responsabilités opérationnelles.

Ce cadre combine des ensembles de données médicales publiques avec des données synthétiques validées par des cliniciens, issues d'examens médicaux, de recommandations et de cas cliniques réels. La source de l'EPFL indique également l'utilisation d'un ensemble de données cliniques validées par des experts et provenant de plus de 46 000 guides de pratique cliniqueCes données sont importantes car elles montrent l'ampleur de la documentation utilisée pour spécialiser les modèles, mais elles doivent être lues en lien avec la question de la qualité : dans le domaine de la santé, la quantité de connaissances intégrées ne suffit pas si elle n'est pas accompagnée d'une sélection, d'un examen et d'une contextualisation.

Marie-Anne Hartley, médecin et directeur de ,Léger relie la compétitivité des modèles au rôle actif des cliniciens et des communautés.

« Nos résultats montrent que des modèles médicaux compétitifs peuvent être construits grâce à la participation active des cliniciens et des communautés. »

Ce changement a des implications organisationnelles. L'IA médicale n'est plus présentée comme un outil imposé de l'extérieur au système de santé, mais comme une architecture logicielle à développer avec les acteurs connaissant les procédures, les erreurs récurrentes, les contraintes institutionnelles et les spécificités des contextes. Pour les entreprises de technologies de la santé, les centres universitaires et les hôpitaux, la leçon est claire : le transfert de l'IA du centre vers l'extérieur est désormais essentiel. recherche et développement La pratique clinique nécessite une gouvernance, et pas seulement une puissance de calcul.

Résultats techniques et rôle de la haute puissance de calcul suisse

En termes de performances, l'EPFL indique que chaque modèle MeditronFO a surpassé son modèle de base respectif. Le meilleur résultat mentionné dans le communiqué de presse concerne Apertus-70B-MeditronFOce qui a amélioré les performances aux tests médicaux Points de pourcentage 6,6 par rapport au modèle sous-jacent. Les données doivent être interprétées avec prudence : les benchmarks sont utiles pour comparer les configurations techniques, mais ne sauraient remplacer les évaluations cliniques en conditions réelles.

L'intérêt industriel de cette affaire réside également dans l'infrastructure qui la sous-tend. Le développement de MeditronFO a été soutenu par Initiative suisse en IA, collaboration entre l'EPFL, l'ETH Zurich et CSCS, le Centre national suisse de calcul scientifique. Selon le site web de l'initiative, le programme a été lancé en décembre 2023 avec plus de 10 millions d'heures de GPU sur Alps, le supercalculateur exploité par le CSCS, et avec un financement de 20 millions de francs suisses par le Domaine des Polytechniques Fédérales.

Ces chiffres montrent pourquoi la compétition dans le domaine de l'IA appliquée à la santé ne se résume pas aux algorithmes et aux ensembles de données. Elle exige une puissance de calcul, une expertise distribuée, des infrastructures d'évaluation et une masse critique de recherches. L'Initiative suisse pour l'IA affirme elle-même bénéficier des contributions de plus de Chercheurs 800inclus 70 professeurs spécialisés en IA, provenant de plus de dix établissements universitaires SuisseIn questo quadro, il supercalculateur Il ne s'agit pas d'un simple accélérateur technique, mais d'une composante de la souveraineté scientifique.

Le lien avec Apertus conforte également cette interprétation. Le site web du projet le décrit comme un modèle de fondation entièrement ouvert pour l'IA souveraine, développé par la Swiss AI Initiative en collaboration avec l'EPFL, l'ETH Zurich et le CSCS. Apertus revendique l'ouverture de ses pondérations, données, code, méthodes et principes d'alignement. MeditronFO utilise cette fondation comme modèle de spécialisation dans le domaine médical, démontrant ainsi comment une approche d'ouverture en amont peut générer des applications verticales plus contrôlables.

De l'expérimentation aux services hospitaliers, le terrain d'essai en Tanzanie

La prochaine étape ne se limitera pas à une simple comparaison de nouveaux modèles. Selon l'EPFL, l'équipe prépare des essais cliniques multicentriques. Suisse un TanzanieL’objectif est d’évaluer comment les médecins utilisent l’IA dans des contextes de soins de santé réels. Les essais observeront si les cliniciens suivent ou rejettent les recommandations générées et comment ces décisions influencent la prise en charge des patients.

Le projet pluriannuel mentionné par l'EPFL, appelé USAGE MÉDICAMENTEUXCette étude vise également à déterminer si l'IA peut contribuer à améliorer la qualité des soins en réduisant les traitements et interventions inutiles. Il s'agit d'un domaine délicat : un système d'aide à la décision peut s'avérer utile s'il améliore la qualité des informations disponibles, mais il peut devenir problématique s'il introduit une automatisation excessive ou encourage une confiance excessive dans les recommandations algorithmiques.

Hartley insiste notamment sur la nécessité de mesurer l'effet dans les parcours de soins, et pas seulement lors de tests techniques.

« Il est important d’obtenir des retours d’information concrets basés sur les résultats obtenus auprès des patients. »

L'IA clinique sera plus crédible lorsqu'elle pourra être inspectée.

Pour le secteur de la santé, MeditronFO propose une orientation claire : l’IA clinique gagnera en crédibilité lorsqu’elle pourra être inspectée, adaptée et évaluée par des communautés indépendantes. Pour les entreprises, cela signifie que les modèles propriétaires devront composer avec des exigences croissantes de transparence. Pour les institutions, l’enjeu est de savoir comment définir des règles permettant de distinguer l’ouverture formelle de l’ouverture réelle.

Il est irréaliste de penser que tous les systèmes médicaux reposent sur machine learning e l'apprentissage en profondeur Devenir totalement transparent. Il est toutefois plausible que le secteur de la santé exige des normes plus élevées en matière de documentation, d'auditabilité et de responsabilisation, notamment avec l'intégration de l'IA dans les processus décisionnels. En ce sens, MeditronFO ne doit pas être perçu comme un simple nouveau modèle, mais comme une expérimentation de gouvernance technique : il révèle ce qui reste souvent occulté par une réponse générée.

La question cruciale n'est donc pas la promesse abstraite d'une IA plus puissante, mais plutôt le type d'infrastructure que les systèmes de santé, les universités et les organismes de réglementation sont prêts à adopter. Si ces modèles s'intègrent à la pratique clinique, la confiance doit reposer sur des éléments vérifiables : la provenance des données, des audits indépendants, une mesure transparente des performances et une responsabilité humaine clairement identifiable. MeditronFO place ces éléments au cœur du débat, laissant aux essais cliniques le soin d'évaluer leur viabilité opérationnelle.

Sources ouvertes Meditron : Flux de travail d’IA auditables pour les LLM cliniques

Voici trois idées qui pourraient vous intéresser :

De l’EPFL un nouveau modèle multimodal pour une IA plus flexible
Apertus est l'« IA ouverte » suisse pour un avenir plus transparent.
Un pôle de santé de pointe entièrement basé sur l'IA à Genève