L'IA soigne, ment, et apprend à se corriger

Un algorithme pour le cancer du foie qui dépasse les médecins

51 mois de survie médiane contre 29 — cette différence, une équipe de chercheurs chinois l'attribue à un algorithme, pas à un chirurgien.

Le cancer primitif du foie — on l'appelle carcinome hépatocellulaire — tue environ 700 000 personnes par an dans le monde. Décider quel traitement proposer est un casse-tête : chirurgie, ablation, chimioembolisation, immunothérapie ? Ça dépend du stade, des comorbidités, de la biologie de la tumeur. Même des oncologues expérimentés divergent. Une équipe de chercheurs a entraîné un modèle de langage — pensez à un ChatGPT, mais spécialisé — sur 30 000 dossiers de patients, puis l'a affiné avec un système de récompense pas très éloigné de celui qu'on utilise pour apprendre à un enfant à jouer aux échecs : chaque bon raisonnement est encouragé, chaque erreur est pénalisée. Le résultat s'appelle HCC-STAR. Testé sur 6 668 patients réels issus de 12 hôpitaux chinois, il surpasse les deux grandes classifications cliniques de référence mondiales (BCLC et CNLC), fait mieux que des internes et des médecins titulaires en précision de traitement, et dépasse GPT-5 et Gemini 2.5 Pro sur ces mêmes données. Le chiffre qui arrête : la survie médiane hypothétique sous les recommandations de HCC-STAR serait de 51 mois, contre 29 mois pour le guide BCLC. Presque deux ans de vie en plus. Hypothétique — ce mot compte. Ce n'est pas un essai clinique prospectif où de vrais patients ont été traités selon les conseils du modèle. On simule ce qui se serait passé. Le biais de sélection est possible, les données viennent d'une seule région du monde, et les protocoles d'évaluation des médecins ne sont pas entièrement décrits dans le papier. Un vrai essai randomisé reste à faire. Mais c'est un signal sérieux, et les spécialistes en hépatologie qui ont évalué les raisonnements du modèle à l'aveugle les ont jugés dignes de confiance.

L'IA sait nommer votre plat mais pas en peser un gramme

Votre appli nutritionnelle reconnaît votre assiette à la perfection — et peut quand même vous donner un conseil dangereux si vous êtes diabétique.

Imaginez un ami qui connaît tous les plats du monde sur photo, peut vous citer les ingrédients d'un tajine ou d'un bibimbap sans hésiter — mais qui, quand vous lui demandez « combien de grammes de riz tu vois là-dedans ? », vous regarde avec des yeux vides. Et si vous lui dites « j'ai du diabète, je peux manger ce dessert ? », il vous répond « oui, pas de souci » parce qu'il a mal compris la question. C'est exactement ce que des chercheurs ont mesuré avec OmniFood-Bench, un jeu de tests appliqué à six grands modèles de vision et de langage — dont GPT-5.1, Gemini-3-Flash et Qwen3-VL — sur des photos de plats réels. La tâche progressait en trois niveaux : reconnaître les ingrédients, estimer le poids en grammes, puis formuler des conseils nutritionnels adaptés à des patients à risque (diabétiques, personnes avec un taux de lipides élevé dans le sang). Les résultats sont tranchés. Sur la reconnaissance visuelle : proche de la précision humaine. Sur l'estimation du poids à partir d'une image 2D : échec que les auteurs qualifient eux-mêmes de catastrophique. Sur les conseils pour des profils à risque : les modèles hallucinent fréquemment des recommandations bénignes là où un diététicien serait en alerte rouge. Les chercheurs appellent cela le « fossé sémantique-physique » : les modèles comprennent ce que c'est, mais pas ce que ça pèse ni ce que ça fait à votre corps. Soyons honnêtes sur ce que le papier ne dit pas encore : les taux exacts de hallucination et les seuils précis d'échec en estimation de poids ne sont pas encore publiés dans la version disponible. Mais le signal est suffisamment net : ces modèles ne sont pas prêts pour du conseil diététique autonome, surtout sur des patients fragiles.

Comment la théorie des jeux aide l'IA à moins halluciner en chimie

79 % de réduction des hallucinations — et si la solution au mensonge des IA, c'était de les faire jouer en équipe contre elles-mêmes ?

Quand une IA invente des informations fausses en les présentant comme vraies, on appelle ça une hallucination. En chimie, ça peut vouloir dire une molécule qui n'existe pas, une réaction impossible présentée comme validée, ou un effet secondaire inventé de toutes pièces. Dans un laboratoire pharmaceutique, ce type d'erreur peut coûter des mois de travail — ou pire. Des chercheurs ont attaqué ce problème avec une idée venue d'un endroit inattendu : la théorie des jeux. Imaginez non pas un seul modèle qui répond à vos questions chimiques, mais une équipe d'agents en compétition et en coopération — comme dans un tournoi où les équipes doivent se challenger mutuellement tout en produisant un résultat collectif fiable. C'est le principe de G-Frame, un système qui orchestre plusieurs agents pour nettoyer les données d'entraînement, générer des exemples de raisonnement pas à pas, et se corriger mutuellement au fil des tours. Le résultat final s'appelle OmniChem, un modèle spécialisé en chimie. Il réduit les hallucinations de 79 % par rapport au modèle de base non affiné, et atteint des performances comparables à GPT-4o mini sur les benchmarks de chimie — avec un modèle 20 à 30 fois plus petit en taille. Mais voilà le hic, et il est important. Les évaluations sont faites en partie sur des benchmarks créés par les auteurs eux-mêmes. Et le juge qui mesure la qualité des réponses est lui-même un LLM — une méthode qu'on appelle « LLM-as-judge », encore débattue dans la communauté : peut-on vraiment demander à une IA de noter une autre IA ? Le « 79 % » est aussi mesuré contre le modèle brut, pas contre les meilleures méthodes existantes. C'est un vrai pas en avant, mais les chiffres méritent une validation indépendante.

Trois histoires, un fil conducteur : l'IA s'aventure de plus en plus dans des domaines où se tromper a de vraies conséquences — la santé, l'alimentation, la chimie. Et la recherche commence à mesurer honnêtement l'écart entre ce qu'elle promet et ce qu'elle délivre. Ce qui m'intéresse dans ce trio, c'est qu'aucun des trois papiers ne tombe dans les deux travers habituels. HCC-STAR ne prétend pas remplacer les oncologues — il dit qu'un essai clinique est la prochaine étape. OmniFood-Bench ne dit pas que l'IA culinaire est inutile — il cartographie précisément où elle décroche. G-Frame ne prétend pas avoir résolu les hallucinations — il montre un mécanisme qui les réduit dans un domaine précis. C'est peut-être ça, la vraie maturité du domaine : moins d'annonces générales, plus de mesures spécifiques. L'IA n'avance plus en bloc — elle avance case par case, et les chercheurs commencent à savoir quelle case ils déplacent.

Pour HCC-STAR, la question ouverte est claire : quand verra-t-on un premier essai clinique prospectif, avec de vrais patients assignés aux recommandations du modèle ? Sans ça, les 51 mois restent une projection. Pour les hallucinations en domaine spécialisé, surveillez les travaux de validation indépendante sur OmniChem — si un labo tiers reproduit les 79 %, le signal devient sérieux. Et si vous vous intéressez à l'IA médicale en Europe, le règlement européen sur l'IA classe les systèmes d'aide à la décision clinique en risque élevé : les règles d'application arrivent en 2026, et elles vont changer ce que ces modèles peuvent faire légalement sur notre continent.

• Wikipédia — Carcinome hépatocellulaire (FR)
• Wikipédia — Hallucination en intelligence artificielle (FR)
• Papier HCC-STAR sur arXiv