L'IA en médecine avance. Le reste, c'est compliqué.

Un assistant IA lit les scanners thoraciques étape par étape — et s'améliore vraiment

Un radiologue expérimenté ne regarde pas un scanner en une seule fois — il suit une checklist mentale, outil après outil. RadAgent fait pareil.

Imaginez un cuisinier qui, au lieu d'improviser un plat d'un coup, suit une recette étape par étape : d'abord les légumes, puis la sauce, puis l'assemblage. C'est exactement ce que fait RadAgent, le système développé par une équipe dont les travaux sont déposés sur arXiv. Plutôt que de demander à un modèle de langage de « lire » un scanner 3D d'un seul geste, RadAgent orchestre dix outils spécialisés — un pour détecter les nodules, un autre pour évaluer la densité pulmonaire, etc. — en suivant une checklist validée par des cliniciens. Les chiffres sont concrets. En précision diagnostique, RadAgent dépasse de 6 points en macro-F1 son prédécesseur CT-Chat — soit une amélioration relative de 36 %. Sous conditions adversariales (quand on perturbe l'image ou le contexte), le gain monte à 24,7 points, soit +42 %. Et sur la « fidélité » — est-ce que le système peut expliquer pas à pas pourquoi il arrive à sa conclusion ? — RadAgent atteint 37 % là où CT-Chat plafonne à 0 %. Pourquoi ça compte : en radiologie, les erreurs tuent. Un système capable d'expliquer son raisonnement est plus facile à contrôler, à corriger, à faire valider par un médecin. Le hic : 37 % de fidélité, c'est un vrai progrès — mais ce n'est pas 100 %. L'évaluation est conduite sur des jeux de données internes et un seul jeu externe. On ne sait pas encore si RadAgent se comporte aussi bien sur des scanners issus d'hôpitaux avec des équipements différents, des populations différentes. La checklist clinique qui guide le système a été validée par des médecins, mais le processus de validation n'est pas entièrement détaillé dans le papier. Un pas vrai. Pas une solution complète.

L'IA ne sait presque jamais dire « je ne sais pas » — et c'est un vrai problème

Posez une question sans réponse possible à un modèle d'IA — il vous répondra quand même, presque à chaque fois.

Pensez à un ami très bavard qui, plutôt que d'admettre qu'il ne sait pas, invente une réponse plausible à toutes vos questions. C'est le comportement documenté par une équipe de chercheurs qui publie sur arXiv avec le benchmark MM-AQA — 2 079 questions conçues pour être sans réponse possible, dérivées de deux référentiels publics (MMMU et MMLongBench-Doc). Leur constat : sous utilisation standard, les modèles de vision-langage — ceux qui combinent image et texte — s'abstiennent de répondre dans une infime minorité de cas, même quand ils n'ont manifestement pas les éléments pour répondre. Plus troublant encore : quand l'image est partiellement dégradée ou que les indices visuels contredisent le texte, les modèles ne bloquent pas — ils tentent une réconciliation et répondent faux. Aucun système testé ne dépasse simultanément 65 % de précision sur les questions auxquelles on peut répondre ET sur celles auxquelles on ne peut pas. Il y a un arbitrage brutal : soit le modèle répond beaucoup (et se trompe sur les questions sans réponse), soit il s'abstient souvent (et rate des réponses correctes). Les architectures multi-agents — où plusieurs modèles se contrôlent mutuellement — améliorent l'abstention, mais au prix d'une baisse de précision générale. Pourquoi ça compte : dans un contexte médical, juridique, ou de sécurité, un système qui invente une réponse quand il devrait se taire est plus dangereux qu'un système qui répond moins souvent. Le hic : MM-AQA est construit à partir de questions académiques à choix multiples. Les situations réelles sont plus complexes. Les chercheurs reconnaissent eux-mêmes que les résultats ne s'extrapolent pas directement à des usages ouverts. C'est un diagnostic, pas encore une solution.

Demandez à une IA de tourner mentalement dans l'espace — elle échoue là où vous réussissez

Un humain résout à 100 % un puzzle de rotation dans l'espace décrit en texte. Le meilleur modèle testé plafonne à 60 %.

C'est un exercice que vous avez peut-être vu dans un test de logique : « Vous êtes face au Nord. Vous tournez de 90° à droite. Puis de 180° à gauche. Dans quelle direction regardez-vous ? » Une équipe de chercheurs qui publie sur arXiv a construit VRUBench, un benchmark entièrement en texte pour ce type de tâche, et a testé plusieurs grandes familles de modèles de langage et de vision-langage. Résultat : les humains résolvent ces puzzles avec 100 % de précision. Le meilleur modèle testé — Qwen3-VL, un modèle de vision-langage — atteint environ 60 %. Les modèles de texte seul font encore moins bien. Curieusement, les modèles entraînés sur des images s'en sortent mieux que leurs équivalents texte seul, même sur des tâches purement textuelles — comme si voir des plans et des cartes pendant l'entraînement aide à raisonner dans l'espace. Les chercheurs ne s'arrêtent pas aux scores. Ils ont ouvert les modèles pour comprendre pourquoi. Leur diagnostic : les modèles encodent bien la direction d'une rotation (« je tourne à droite »), mais perdent de vue leur orientation absolue (« j'étais face au Nord ») dans les couches profondes du réseau. C'est comme si quelqu'un suivait les instructions de navigation mais oubliait son point de départ à mi-chemin. Bonus pratique : ils ont identifié un petit groupe de « têtes d'attention » responsables de ce comportement. Un entraînement ciblé sur ces seules têtes améliore les performances en n'utilisant que 50 % du temps de calcul d'un entraînement complet. Le hic : VRUBench reste un benchmark contrôlé. Le nombre exact d'exemples testés et les tests statistiques de significativité ne sont pas tous visibles dans la version disponible du papier. Les améliorations obtenues par entraînement ciblé restent modestes en absolu.

Trois papiers, trois angles sur la même réalité : l'IA progresse vite sur des tâches très délimitées — lire un scanner en suivant une checklist, par exemple — mais reste structurellement fragile dès qu'on lui demande de gérer l'incertitude ou l'espace. Ce qui me frappe aujourd'hui, c'est le fossé entre performance brute et fiabilité réelle. RadAgent fait mieux que son prédécesseur sur des métriques précises. Mais les deux autres papiers nous rappellent que les mêmes types de modèles ne savent ni dire « je ne sais pas », ni tourner mentalement dans l'espace — deux capacités que vous utilisez chaque jour sans y penser. Ce n'est pas un argument pour jeter l'IA en médecine avec l'eau du bain. C'est un argument pour être précis sur ce qu'on lui demande de faire, et pour ne pas confondre « meilleur que la version précédente » avec « prêt à fonctionner seul ».

Sur RadAgent, la prochaine étape critique est une validation externe à grande échelle — sur des hôpitaux avec des équipements et des populations différentes. Sur le problème d'abstention, MM-AQA pose un diagnostic mais ne propose pas encore de solution robuste : suivez si des équipes publient des approches d'entraînement spécifiques à l'abstention dans les semaines qui viennent. Et sur la rotation spatiale — une question ouverte que j'aimerais voir répondue : est-ce que ce déficit vient du manque de données spatiales à l'entraînement, ou d'une limite plus fondamentale de l'architecture transformer ?

• arXiv — RadAgent (papier complet)
• arXiv — MM-AQA : évaluer l'abstention des modèles multimodaux
• arXiv — VRUBench : rotation spatiale et interprétabilité