IA émotionnelle, cerveaux scannés, ultrasons : trois vraies questions.

Utiliser l'IA pour travailler ou pour se confier : le cerveau n'en sort pas pareil.

Deux étudiants utilisent ChatGPT tous les jours — l'un pour rédiger des résumés de cours, l'autre pour parler de sa solitude. Leur cerveau, au scanner, ne ressemble pas au même.

Une équipe de chercheurs chinois a scanné le cerveau de 222 étudiants universitaires en IRM structurelle — le genre de scan qui mesure le volume de matière grise région par région — pendant qu'elle leur demandait comment ils utilisaient l'IA générative au quotidien. Deux profils d'usage ont émergé : l'usage fonctionnel (rédiger, chercher, analyser) et l'usage socio-émotionnel (se confier, chercher du réconfort, combler une solitude). Le résultat est net. Les étudiants qui utilisent l'IA surtout pour travailler ont de meilleures notes, et leur cortex préfrontal dorsolatéral — la zone qui gère la planification et la prise de décision, imaginez-la comme le chef d'orchestre du bureau — est légèrement plus volumineux. Leur réseau hippocampique, lui, est mieux connecté : les routes entre les quartiers du cerveau impliqués dans la mémoire sont plus efficaces. À l'inverse, les étudiants qui se tournent vers l'IA pour un soutien émotionnel fréquent affichent davantage de symptômes dépressifs et d'anxiété sociale, et un volume réduit dans le gyrus temporal supérieur et l'amygdale — deux zones liées au traitement des émotions et des relations sociales. Le hic, et il est important : c'est une étude transversale. Les photos ont été prises à un instant T. On ne sait pas si l'usage émotionnel de l'IA a creusé ces différences, ou si des étudiants déjà en difficulté se sont davantage tournés vers elle. La causalité reste entière. Et seuls 6,8 % des participants utilisaient l'IA fréquemment à des fins émotionnelles — c'est une minorité, mais potentiellement la plus vulnérable. Un chiffre à surveiller, pas encore à généraliser.

Entraîner une IA à détecter la dépression sans données réelles de patients.

Pour entraîner une IA à repérer les symptômes dépressifs, il faut des données de patients — sauf que ces données sont rares, sensibles, et souvent impossibles à partager.

Le problème est connu dans le monde de la psychiatrie computationnelle : les données textuelles de patients — ce qu'ils écrivent, comment ils le disent — sont précieuses pour entraîner des modèles de détection, mais elles sont protégées, dispersées, et leur annotation est laborieuse. Sur l'un des jeux de données testés ici, l'accord entre annotateurs humains était franchement mauvais (kappa = 0,09, soit à peine mieux qu'aléatoire). Difficile de bâtir un outil fiable sur ces fondations. SynSym propose une alternative : générer des données synthétiques avec un grand modèle de langage. Concrètement, le système part d'une liste de symptômes du PHQ-9 — le questionnaire standard de dépistage de la dépression — et les décline en sous-expressions multiples : le même symptôme formulé par un clinicien, par un patient qui va mal, par quelqu'un qui minimise. C'est un peu comme préparer un acteur à jouer un rôle en lui donnant des dizaines de variations de la même réplique, pour qu'il reconnaisse la scène quelle que soit la façon dont elle se joue. Le résultat : des modèles entraînés uniquement sur ces données fabriquées obtiennent des performances comparables à ceux entraînés sur de vraies données, sur trois jeux de tests indépendants. Ajouter un peu de vraies données en cours de route améliore encore les choses. Le hic : les évaluations restent cantonnées aux symptômes dépressifs tels que définis par le PHQ-9 et le DSM-5. L'IA apprend à reconnaître ce qu'on lui a appris à chercher — elle ne découvre rien de nouveau sur la dépression. Et les comparaisons statistiques précises ne sont pas entièrement visibles dans le papier. Prometteur, mais la validation externe reste à construire.

Des ultrasons pour cibler le cerveau en profondeur, au millimètre près.

Stimuler une zone précise du cerveau sans ouvrir le crâne, sans électrodes, et sans se contenter de la surface — c'est ce que promettent les ultrasons focalisés transcrâniens.

La stimulation cérébrale non invasive a un problème de focale. Les techniques électromagnétiques classiques — TMS, stimulation transcrânienne — ressemblent à un projecteur de stade : elles éclairent une zone large, difficile à affiner, et peinent à atteindre les structures profondes comme l'amygdale ou l'hippocampe. Ce papier de synthèse fait le point sur une approche différente : les ultrasons focalisés transcrâniens, ou tFUS. L'idée de base est empruntée à l'échographie médicale, mais dans l'autre sens : plutôt que d'écouter ce que le cerveau renvoie, on envoie une onde acoustique précisément dirigée pour modifier localement l'activité neuronale. La résolution annoncée est de l'ordre du millimètre — là où les techniques électromagnétiques jouent dans les centimètres. Et contrairement à celles-ci, les ultrasons peuvent atteindre des cibles profondes sans perdre leur précision en chemin. Les paramètres comptent beaucoup : un taux de répétition élevé (plus de 500 impulsions par seconde) tend à exciter les neurones, un taux bas (moins de 100) tend à les inhiber. C'est comme régler un robinet : selon la pression et le rythme, l'eau coule ou s'arrête. Des architectures en boucle fermée — le système mesure en temps réel l'activité électrique du cerveau et ajuste les ultrasons en conséquence — ont déjà été démontrées. Le hic : c'est un article de revue, pas une étude originale. Les chiffres de précision viennent de travaux cités, pas testés ici. Et les applications en psychiatrie — cibler l'amygdale dans la dépression résistante, par exemple — restent exploratoires. La technologie avance, les preuves cliniques, moins vite.

Ces trois papiers parlent, chacun à leur façon, du même mouvement de fond : la santé mentale cherche à devenir plus précise. Précise dans ce qu'elle mesure — les ultrasons au millimètre dans le cerveau profond. Précise dans ce qu'elle détecte — des symptômes dans du texte, générés ou réels. Précise dans ce qu'elle observe — les traces cérébrales de comportements numériques quotidiens. Mais il y a une tension que je veux nommer. La précision technique avance plus vite que la compréhension causale. On sait désormais scanner finement, générer des données, viser une zone à un millimètre près. Ce qu'on comprend moins bien, c'est le sens de ces associations : est-ce que l'IA émotionnelle abîme, ou est-ce qu'elle attire ceux qui souffrent déjà ? Est-ce que stimuler l'amygdale aux ultrasons aidera des patients, ou produira des effets qu'on ne sait pas encore anticiper ? Soyons honnêtes : la santé mentale est un domaine où la précision des outils devance souvent la clarté des mécanismes. C'est inconfortable. C'est aussi là où se fait la vraie recherche.

L'étude sur l'IA et le cerveau est transversale — le suivi longitudinal de cette cohorte, si les auteurs le conduisent, sera bien plus révélateur. Sur le front des ultrasons, surveillez les premiers essais cliniques tFUS en dépression résistante : plusieurs sont en cours aux États-Unis et en Europe, avec des résultats attendus d'ici fin 2026. La vraie question ouverte : à quelle fréquence d'usage socio-émotionnel de l'IA le risque commence-t-il réellement à s'accumuler ?

• INSERM — Dossier sur la stimulation cérébrale non invasive
• Pour la Science — Comment l'IA transforme la psychiatrie
• Wikipedia — Transcranial focused ultrasound stimulation (EN)