Apprendre à l'IA à douter : améliorer la fiabilité de l'IA médicale
Aurel Tchokponhoue © 2026 EPFL
Dans le domaine de l'intelligence artificielle appliquée à la médecine, le risque le plus grave ne réside souvent pas dans les prédictions erronées, mais dans celles qui sont trop sûres d'elles. Aurel Davy Tchokponhoue travaille sur une question fondamentale : comment les systèmes d'IA peuvent-ils mieux reconnaître et communiquer l'incertitude dans des contextes à enjeux élevés, tels que le diagnostic du cancer du sein ?
Ses recherches portent sur la classification des sous-types de cancer du sein à l’aide de données d’expression génique. Si les modèles actuels permettent d’atteindre un haut niveau de précision, ils émettent toujours une prédiction — même lorsque les données sont inconnues ou peu fiables, ce qui peut conduire à des erreurs dues à un excès de confiance dans des contextes cliniques réels.
Le problème n’est pas que l’IA se trompe sur tout. C’est qu’elle peut se montrer très sûre d’elle alors qu’elle ne devrait pas l’être.
Plutôt que de se concentrer uniquement sur la précision, ces travaux étudient la quantification de l’incertitude, en comparant différentes approches (déterministe, bayésienne, d’ensemble) afin d’évaluer dans quelle mesure les modèles peuvent signaler de manière fiable leurs incertitudes. L’objectif est d’aider les cliniciens en indiquant quand une prédiction est fiable ou doit être réexaminée.
Pour tester la robustesse, le chercheur a également développé des méthodes de données synthétiques (GMGS1 et GMGS2) qui simulent des scénarios cliniques réalistes mais inédits, permettant ainsi d’évaluer les modèles dans des conditions changeantes.
Dans l’ensemble, ces recherches ouvrent la voie à des systèmes d’IA qui non seulement prédisent, mais savent aussi quand s’abstenir — rendant ainsi l’aide à la décision médicale plus prudente et plus fiable.
Lire l’article complet sur Times of UM6P
« 100 doctorats pour l'Afrique » est un programme issu de l'initiative « Excellence in Africa » mise en place par l'UM6P et le Centre EXAF (EPFL).