Le vocabulaire de l'IA en santé,
expliqué simplement

Area Under the Curve — aire sous la courbe ROC

Mesure synthétique de la performance d'un test diagnostique : 0,5 = aléatoire, 1,0 = parfait. Un bon outil IA-santé en imagerie a typiquement un AUC > 0,85. Attention : un AUC élevé ne dit pas grand-chose si on ne connaît pas la prévalence de la maladie dans la population testée.

Voir aussi : Sensibilité, Spécificité, ROC

Discrimination involontaire encodée dans un modèle

Si une IA est entraînée majoritairement sur des hommes blancs, elle sera probablement moins performante sur des femmes ou des personnes racisées. Documenté en imagerie dermatologique (mélanome moins détecté sur peaux foncées), en cardiologie, en obstétrique. La détection et correction des biais est un champ entier de la recherche.

Voir aussi : Boîte noire, Dataset

Manque d'explicabilité d'un modèle IA

Beaucoup d'algorithmes (notamment de deep learning) prennent des décisions sans pouvoir expliquer leur raisonnement de façon compréhensible pour un humain. C'est un enjeu majeur en médecine : un médecin doit pouvoir justifier sa décision. Des techniques comme SHAP, LIME ou Grad-CAM tentent d'apporter de l'explicabilité.

Voir aussi : XAI, Explicabilité, Biais

Convolutional Neural Network — réseau de neurones convolutifs

Architecture inventée pour traiter les images. Elle apprend à reconnaître des motifs (bords, textures, formes) à différentes échelles. C'est l'outil dominant pour analyser radios, IRM, scanners et lames d'anatomopathologie. Une CNN performante a souvent été entraînée sur des centaines de milliers d'images annotées par des experts.

Voir aussi : Deep learning, Vision

Vision par ordinateur

Discipline qui apprend à des algorithmes à comprendre des images et vidéos. Cœur de l'IA en imagerie médicale, anatomopathologie, dermatologie, ophtalmologie, dentisterie. Les CNN puis les Vision Transformers ont permis des bonds spectaculaires depuis 2012.

Voir aussi : CNN, Transformer, Imagerie

Real-World Data

Données générées en routine clinique (dossiers patients, prescriptions, examens) en dehors des essais contrôlés. Les RWD permettent de valider l'efficacité d'un outil dans la "vraie vie", au-delà des conditions idéales d'un essai. La FDA et l'EMA acceptent désormais les RWE (real-world evidence) dans certains dossiers d'autorisation.

Voir aussi : Essai clinique, Dataset

Données artificielles générées par IA

Pour entraîner des modèles sur des maladies rares, ou pour partager des datasets sans poser de problème de vie privée, on peut générer des données "synthétiques" qui ressemblent statistiquement aux vraies. Utilisé en imagerie, en génomique, en données tabulaires. Validation indispensable.

Voir aussi : Privacy, RGPD, Dataset

Dérive d'un modèle dans le temps

Un modèle entraîné en 2022 peut être moins performant en 2026 si la pratique médicale a évolué, si de nouveaux médicaments sont apparus, si la population a changé. Le monitoring du "drift" est obligatoire pour les dispositifs SaMD : on doit détecter quand un modèle décroche et le ré-entraîner.

Voir aussi : Validation prospective, RWD

Règlement européen sur l'intelligence artificielle

Texte adopté en 2024, en vigueur depuis 2026. Classe les systèmes IA en 4 niveaux de risque (inacceptable, haut, limité, minimal). Tous les dispositifs IA-santé sont automatiquement classés "à haut risque" : audits obligatoires, transparence, supervision humaine, documentation des biais.

Voir aussi : SaMD, FDA, GDPR

Représentation vectorielle d'une donnée

Transformer un mot, une image ou un dossier patient en une suite de nombres (vecteur) qui capture son sens. Permet de comparer des données très différentes (texte, image, signal) dans un espace commun. Utilisé pour la recherche sémantique, la recommandation, la similarité entre patients.

Voir aussi : RAG, LLM, Vector DB

Food and Drug Administration (États-Unis)

Agence américaine de régulation des médicaments et dispositifs médicaux. Pour un outil IA-santé, deux voies : "510(k)" (équivalent à un dispositif déjà approuvé, plus rapide) ou "De Novo / PMA" (nouveau dispositif, validation clinique complète). Plus de 950 dispositifs IA approuvés depuis 1995.

Voir aussi : CE, SaMD, HAS

Apprentissage fédéré

Technique où l'IA s'entraîne sur des données réparties dans plusieurs hôpitaux sans que ces données ne quittent jamais l'établissement. Seuls les "poids" du modèle circulent. Owkin a popularisé l'approche en oncologie : permet de croiser les expertises sans poser de problème RGPD ou de propriété intellectuelle.

Voir aussi : Privacy, RGPD, Owkin

Spécialisation d'un modèle pré-entraîné

Plutôt que d'entraîner un modèle médical de zéro (très coûteux), on part d'un modèle généraliste (GPT, LLaMA, Mistral) et on le ré-entraîne sur des données médicales. Permet d'obtenir des modèles spécialisés (ex : Med-PaLM, MediMistral) à moindre coût.

Voir aussi : LLM, RAG, Transfer learning

Modèle de fondation

Très grand modèle pré-entraîné servant de base pour des centaines d'applications. En médecine, des "foundation models" sont apparus en imagerie (RAD-DINO, MedSAM), en pathologie (PathChat) et en biologie moléculaire (AlphaFold, ESM). Ils permettent à de petites équipes de bâtir leurs propres outils sans tout réentraîner.

Voir aussi : LLM, Fine-tuning, AlphaFold

Haute Autorité de Santé (France)

Autorité publique indépendante française qui évalue les dispositifs médicaux après le marquage CE pour décider de leur remboursement et de leur place dans les recommandations cliniques. La HAS publie depuis 2024 une grille spécifique d'évaluation des dispositifs intégrant de l'IA.

Voir aussi : CE, ANSM, EU AI Act

Une IA qui invente des informations fausses

Les LLM peuvent générer des affirmations plausibles mais fausses : citer un article inexistant, inventer un dosage, attribuer une étude à un mauvais auteur. C'est un risque critique en médecine. Les techniques de RAG, le fine-tuning sur sources contrôlées et la vérification humaine systématique réduisent ce risque.

Voir aussi : LLM, RAG, Boîte noire

Sous-cas critique d'hallucination en santé

Une hallucination clinique peut être : un dosage inventé, une contre-indication oubliée, un nom de molécule confondu, une citation d'étude qui n'existe pas. Le risque est asymétrique : une bonne réponse aide marginalement, une mauvaise peut être grave. Politique recommandée : toujours faire vérifier par un humain qualifié.

Voir aussi : Hallucination, RAG, LLM

Large Language Model — modèle de langage de grande taille

Un grand modèle de langage est un réseau de neurones entraîné sur d'immenses corpus de textes (souvent > 1 000 milliards de mots) pour prédire le mot suivant. Cette capacité, en apparence triviale, leur permet de rédiger, résumer, traduire, raisonner. En médecine, ils servent à transcrire les consultations, résumer les dossiers, ou répondre à des questions cliniques. Exemples : GPT-5, Med-PaLM, MediMistral, Claude.

Voir aussi : CNN, RAG, Fine-tuning

Certification européenne de mise sur le marché

Tout dispositif médical vendu en Europe doit porter le marquage CE. Pour les IA-santé, il est délivré par un "organisme notifié" (BSI, TÜV, GMED...) après audit du système qualité, des données d'entraînement et de la performance clinique. Classes I (faible risque) à III (haut risque).

Voir aussi : FDA, SaMD, MDR

Natural Language Processing

Branche de l'IA qui traite le langage humain (texte, parole). En médecine : transcription de consultations, extraction d'informations dans des comptes-rendus, codage CIM-10 automatique, recherche dans des dossiers patients textuels. C'est le domaine où les LLM ont eu l'impact le plus visible.

Voir aussi : LLM, NER, Transcription

Modèle aux poids ouverts

Un modèle dont les paramètres entraînés sont publiés publiquement (Mistral, LLaMA, MediMistral). Permet aux hôpitaux de l'auto-héberger sans envoyer de données patients dans le cloud. Différent d'open source (qui inclurait aussi le code et les données d'entraînement).

Voir aussi : LLM, Privacy, RGPD

Retrieval-Augmented Generation

Technique où l'IA va d'abord chercher des documents pertinents (articles médicaux, recommandations HAS...) dans une base de connaissances, puis utilise ces documents comme contexte pour répondre. Réduit drastiquement les "hallucinations" et permet de citer ses sources. Très utilisé en aide à la décision clinique.

Voir aussi : LLM, Hallucination, Embeddings

Receiver Operating Characteristic

Courbe qui visualise le compromis entre sensibilité et faux positifs d'un test à différents seuils de décision. L'aire sous cette courbe (AUC) résume la performance. Un examen lit toujours une courbe ROC en se demandant : "à quel point du seuil je veux être pour mon patient ?"

Voir aussi : AUC, Sensibilité

Software as a Medical Device

Catégorie réglementaire qui désigne un logiciel ayant lui-même une fonction médicale (diagnostic, suggestion thérapeutique...) sans être attaché à un dispositif physique. La FDA, l'EMA et la HAS classent les SaMD selon leur risque (classe I, II, III), un algorithme IA qui propose un diagnostic est typiquement classé II ou III.

Voir aussi : FDA, CE, EU AI Act

Capacité à détecter les vrais malades

Pourcentage de patients réellement atteints qui sont identifiés comme tels par le test. Une sensibilité de 95% signifie que sur 100 malades, 95 sont détectés et 5 sont manqués (faux négatifs). Important pour ne pas rater une maladie grave.

Voir aussi : Spécificité, AUC

Capacité à écarter les non-malades

Pourcentage de personnes saines correctement identifiées comme telles. Une spécificité de 90% veut dire que 10% des sains sont à tort signalés malades (faux positifs). Capital pour éviter les diagnostics anxiogènes ou les examens complémentaires inutiles.

Voir aussi : Sensibilité, AUC

Architecture neuronale de référence depuis 2017

Architecture qui a remplacé les RNN puis les CNN dans beaucoup de tâches. Utilisée pour les LLM (GPT, Claude), mais aussi pour l'imagerie (Vision Transformers), les protéines (AlphaFold), les signaux ECG. Elle apprend à pondérer dynamiquement quelles parties d'une entrée sont importantes ("attention").

Voir aussi : CNN, LLM, Foundation Model

Consultation à distance avec IA

Combinaison d'une consultation visio classique et d'outils IA (transcription, suggestion de diagnostic, analyse de la voix ou du visage). Les outils tels Doctolib AI Scribe, Abridge, Suki s'intègrent en arrière-plan pour libérer le médecin de la prise de notes.

Voir aussi : NLP, Doctolib

Étude qui suit les patients dans le temps

Contrairement à une étude rétrospective (sur des dossiers anciens), une étude prospective recrute des patients et les suit dans le futur. C'est le standard pour valider qu'un outil IA améliore vraiment le pronostic. Très peu d'outils IA-santé ont été validés ainsi à ce jour.

Voir aussi : AUC, Essai clinique, RWD

Explainable AI — IA explicable

Ensemble de techniques qui rendent les décisions d'un modèle interprétables : SHAP (importance des features), Grad-CAM (carte de chaleur sur image), attention visualization. En médecine, exigence forte : un médecin doit pouvoir comprendre pourquoi l'IA propose tel diagnostic.

Voir aussi : Boîte noire, Biais