Quel est votre parcours et d’où vient votre intérêt pour l’IA, en particulier l’IA générative ?
Pr Stéphanie Allassonnière : Je suis issue d’une formation en mathématiques, avec une thèse soutenue en 2007. Très tôt, je me suis spécialisée dans les statistiques génératives, bien avant que l’on ne parle d’« IA générative ». Ces approches, notamment développées en analyse d’images, consistent à modéliser la variabilité entre individus à partir de données souvent limitées, comme c’est fréquemment le cas en santé. L’objectif était déjà de faire émerger des structures ou des régularités invisibles dans des bases restreintes, en générant de nouveaux échantillons plausibles. Avec le temps, ces modèles ont évolué, intégrant les réseaux de neurones. Mais le principe fondamental reste identique : apprendre la distribution d’une population pour être capable de générer de nouveaux cas cohérents.
Quelle différence faites-vous entre l’IA générative et les autres formes d’IA, dont l’IA agentique ?
L’IA générative a pour objectif de produire de nouvelles données similaires à celles sur lesquelles elle a été entraînée. À l’inverse, les approches plus classiques répondent à une question ciblée : elles analysent une image pour identifier des structures ou estimer un risque pathologique. Ici, il ne s’agit pas de créer, mais de prédire ou de classifier. L’IA agentique introduit une logique différente, celle de la coordination. Elle ne se limite pas à une tâche unique, mais orchestre plusieurs systèmes ou agents pour atteindre un objectif global. À terme, l’enjeu sera de faire dialoguer efficacement ces différentes formes d’IA autour du patient pour optimiser les parcours dans leur ensemble.
Pourquoi avez-vous choisi la santé et quels sont les apports de l’IA générative dans ce domaine ?
Je ne me destinais pas initialement à la santé. Ce sont des rencontres, notamment en imagerie médicale, qui ont orienté mon parcours. J’ai rapidement perçu l’impact concret que ces méthodes pouvaient avoir, d’abord sur l’analyse d’images, puis plus largement sur l’exploitation des données de santé. Aujourd’hui, l’IA générative permet de modéliser l’évolution des pathologies à partir de données populationnelles. Elle offre la possibilité d’anticiper la trajectoire d’un patient, d’évaluer l’effet d’un traitement ou encore de détecter précocement des anomalies. Ces approches ouvrent la voie aux « jumeaux numériques », véritables supports d’une médecine prédictive, personnalisée et préventive. Elles ont également un intérêt majeur en recherche clinique, notamment pour faciliter la constitution de cohortes dans des contextes où les données sont rares ou difficiles à obtenir.
Peut-on garantir la fiabilité des données produites par l’IA générative ?
La question de la preuve est centrale. Nous travaillons étroitement avec les autorités de régulation pour définir des niveaux d’exigence adaptés, à la fois sur le plan quantitatif et qualitatif. L’enjeu est de co-construire des cadres d’évaluation réalistes, compatibles avec les capacités des technologies IA actuelles, afin de favoriser leur adoption en pratique clinique. Les premiers résultats sont encourageants : dans certains cas, l’augmentation des cohortes a permis de retrouver des biomarqueurs identifiés par ailleurs, renforçant la crédibilité de ces approches. L’apport est également majeur sur le plan éthique, en particulier dans les essais cliniques. En réduisant la taille des groupes de contrôle grâce à l’utilisation de données augmentées, on limite le nombre de patients qui n’ont pas accès à l’innovation, ce qui est particulièrement important dans les maladies graves ou rares. L’IA générative permet ainsi d’imaginer des essais à la fois plus efficaces et plus acceptables.
Pensez-vous que ces approches vont se généraliser dans les essais cliniques ?
Elles ne seront pas systématiques, mais deviendront incontournables dans certains contextes. Pour des pathologies fréquentes, le recrutement ne pose généralement pas de difficulté. En revanche, pour des populations très spécifiques, leur apport devient déterminant. Avec le développement de la médecine personnalisée, les maladies sont de plus en plus finement caractérisées. Cette segmentation rend les cohortes plus difficiles à constituer. Dans ces situations, l’IA générative apparaît comme une réponse pertinente pour compléter les effectifs. À ce titre, elle pourrait s’imposer comme une méthodologie clé pour les essais cliniques portant sur des pathologies rares ou très ciblées.
Quelles avancées en IA pourraient transformer concrètement la santé ?
De nombreuses solutions existent déjà, mais leur déploiement reste limité. Les freins sont aujourd’hui moins technologiques que réglementaires et, surtout, liés à l’acceptabilité des usages. L’enjeu est donc d’accompagner l’évolution des pratiques, car le potentiel de l’IA est considérable. La technologie pourrait intervenir à toutes les étapes du parcours de soins, de la prévention jusqu’au suivi. Les approches agentiques, par exemple, permettront de mieux coordonner les acteurs et d’automatiser certaines décisions simples. Les progrès techniques vont continuer à s’accélérer, mais leur impact réel dépendra de notre capacité collective à intégrer ces outils dans la pratique médico-soignante et à faire évoluer leurs cadres culturels et organisationnels.
Comment accompagner concrètement cette transformation des pratiques en santé ?
La formation est un levier essentiel. Il ne s’agit pas seulement d’acculturer les professionnels, de les sensibiliser à la technologie, mais de proposer une approche véritablement transversale. À l’Université Paris Cité, nous avons par exemple mis en place un diplôme universitaire dédié à l’IA en santé, structuré autour de trois dimensions : médicale, technique et réglementaire. Cette approche globale permet de mieux appréhender les apports concrets de l’IA, mais aussi ses contraintes et ses enjeux éthiques. La demande est forte, ce qui montre l’intérêt des professionnels. Au-delà des médecins, il est tout aussi important de former les autres acteurs de l’écosystème IA, y compris les concepteurs de solutions. Croiser les expertises est indispensable pour développer des outils réellement adaptés aux pratiques, sans alourdir les organisations. C’est à cette condition que l’IA pourra s’inscrire durablement dans le système de santé.
> Article paru dans Hospitalia #73, édition de mai 2026, à lire ici
Pr Stéphanie Allassonnière : Je suis issue d’une formation en mathématiques, avec une thèse soutenue en 2007. Très tôt, je me suis spécialisée dans les statistiques génératives, bien avant que l’on ne parle d’« IA générative ». Ces approches, notamment développées en analyse d’images, consistent à modéliser la variabilité entre individus à partir de données souvent limitées, comme c’est fréquemment le cas en santé. L’objectif était déjà de faire émerger des structures ou des régularités invisibles dans des bases restreintes, en générant de nouveaux échantillons plausibles. Avec le temps, ces modèles ont évolué, intégrant les réseaux de neurones. Mais le principe fondamental reste identique : apprendre la distribution d’une population pour être capable de générer de nouveaux cas cohérents.
Quelle différence faites-vous entre l’IA générative et les autres formes d’IA, dont l’IA agentique ?
L’IA générative a pour objectif de produire de nouvelles données similaires à celles sur lesquelles elle a été entraînée. À l’inverse, les approches plus classiques répondent à une question ciblée : elles analysent une image pour identifier des structures ou estimer un risque pathologique. Ici, il ne s’agit pas de créer, mais de prédire ou de classifier. L’IA agentique introduit une logique différente, celle de la coordination. Elle ne se limite pas à une tâche unique, mais orchestre plusieurs systèmes ou agents pour atteindre un objectif global. À terme, l’enjeu sera de faire dialoguer efficacement ces différentes formes d’IA autour du patient pour optimiser les parcours dans leur ensemble.
Pourquoi avez-vous choisi la santé et quels sont les apports de l’IA générative dans ce domaine ?
Je ne me destinais pas initialement à la santé. Ce sont des rencontres, notamment en imagerie médicale, qui ont orienté mon parcours. J’ai rapidement perçu l’impact concret que ces méthodes pouvaient avoir, d’abord sur l’analyse d’images, puis plus largement sur l’exploitation des données de santé. Aujourd’hui, l’IA générative permet de modéliser l’évolution des pathologies à partir de données populationnelles. Elle offre la possibilité d’anticiper la trajectoire d’un patient, d’évaluer l’effet d’un traitement ou encore de détecter précocement des anomalies. Ces approches ouvrent la voie aux « jumeaux numériques », véritables supports d’une médecine prédictive, personnalisée et préventive. Elles ont également un intérêt majeur en recherche clinique, notamment pour faciliter la constitution de cohortes dans des contextes où les données sont rares ou difficiles à obtenir.
Peut-on garantir la fiabilité des données produites par l’IA générative ?
La question de la preuve est centrale. Nous travaillons étroitement avec les autorités de régulation pour définir des niveaux d’exigence adaptés, à la fois sur le plan quantitatif et qualitatif. L’enjeu est de co-construire des cadres d’évaluation réalistes, compatibles avec les capacités des technologies IA actuelles, afin de favoriser leur adoption en pratique clinique. Les premiers résultats sont encourageants : dans certains cas, l’augmentation des cohortes a permis de retrouver des biomarqueurs identifiés par ailleurs, renforçant la crédibilité de ces approches. L’apport est également majeur sur le plan éthique, en particulier dans les essais cliniques. En réduisant la taille des groupes de contrôle grâce à l’utilisation de données augmentées, on limite le nombre de patients qui n’ont pas accès à l’innovation, ce qui est particulièrement important dans les maladies graves ou rares. L’IA générative permet ainsi d’imaginer des essais à la fois plus efficaces et plus acceptables.
Pensez-vous que ces approches vont se généraliser dans les essais cliniques ?
Elles ne seront pas systématiques, mais deviendront incontournables dans certains contextes. Pour des pathologies fréquentes, le recrutement ne pose généralement pas de difficulté. En revanche, pour des populations très spécifiques, leur apport devient déterminant. Avec le développement de la médecine personnalisée, les maladies sont de plus en plus finement caractérisées. Cette segmentation rend les cohortes plus difficiles à constituer. Dans ces situations, l’IA générative apparaît comme une réponse pertinente pour compléter les effectifs. À ce titre, elle pourrait s’imposer comme une méthodologie clé pour les essais cliniques portant sur des pathologies rares ou très ciblées.
Quelles avancées en IA pourraient transformer concrètement la santé ?
De nombreuses solutions existent déjà, mais leur déploiement reste limité. Les freins sont aujourd’hui moins technologiques que réglementaires et, surtout, liés à l’acceptabilité des usages. L’enjeu est donc d’accompagner l’évolution des pratiques, car le potentiel de l’IA est considérable. La technologie pourrait intervenir à toutes les étapes du parcours de soins, de la prévention jusqu’au suivi. Les approches agentiques, par exemple, permettront de mieux coordonner les acteurs et d’automatiser certaines décisions simples. Les progrès techniques vont continuer à s’accélérer, mais leur impact réel dépendra de notre capacité collective à intégrer ces outils dans la pratique médico-soignante et à faire évoluer leurs cadres culturels et organisationnels.
Comment accompagner concrètement cette transformation des pratiques en santé ?
La formation est un levier essentiel. Il ne s’agit pas seulement d’acculturer les professionnels, de les sensibiliser à la technologie, mais de proposer une approche véritablement transversale. À l’Université Paris Cité, nous avons par exemple mis en place un diplôme universitaire dédié à l’IA en santé, structuré autour de trois dimensions : médicale, technique et réglementaire. Cette approche globale permet de mieux appréhender les apports concrets de l’IA, mais aussi ses contraintes et ses enjeux éthiques. La demande est forte, ce qui montre l’intérêt des professionnels. Au-delà des médecins, il est tout aussi important de former les autres acteurs de l’écosystème IA, y compris les concepteurs de solutions. Croiser les expertises est indispensable pour développer des outils réellement adaptés aux pratiques, sans alourdir les organisations. C’est à cette condition que l’IA pourra s’inscrire durablement dans le système de santé.
> Article paru dans Hospitalia #73, édition de mai 2026, à lire ici
Envoyer à un ami
Version imprimable
Partager