Dans une des premières applications réelles de l’intelligence artificielle générative en recherche médicale, des scientifiques de l’UC San Francisco et de l’Université Wayne State ont démontré que cette technologie pouvait traiter de vastes ensembles de données médicales bien plus rapidement que les équipes humaines traditionnelles — et dans certains cas, produire des résultats même supérieurs. Alors que des experts humains avaient passé des mois à analyser les mêmes données, une équipe composée d’un étudiant en master de l’UCSF, Reuben Sarwal, et d’un lycéen, Victor Tarca, a réussi, avec l’aide d’outils d’IA, à développer des modèles prédictifs de naissance prématurée en quelques minutes. L’IA a généré du code informatique fonctionnel à partir de simples instructions en langage naturel, une tâche qui normalement prendrait des heures ou des jours à des programmeurs expérimentés. L’étude, publiée dans Cell Reports Medicine le 17 février, visait à prédire la prématurité à partir de données provenant de plus de 1 000 femmes enceintes. Pour évaluer la performance, les chercheurs ont comparé des équipes humaines classiques à d’autres utilisant des outils d’IA. Seules 4 des 8 IA testées ont produit des modèles utilisables, mais ceux-ci ont atteint des performances équivalentes ou supérieures à celles des équipes humaines. L’ensemble du processus — de la conception à la soumission d’un article scientifique — a été accompli en seulement six mois, contre près de deux ans pour la publication des résultats d’un concours précédent, le DREAM (Dialogue on Reverse Engineering Assessment and Methods), qui avait mobilisé plus de 100 équipes mondiales. Ce projet s’inscrit dans une recherche plus large sur les causes de la prématurité, la principale cause de décès néonatal aux États-Unis, où environ 1 000 bébés naissent prématurément chaque jour. La prématurité est aussi associée à des déficiences neurologiques et motrices à long terme. L’équipe de Marina Sirota, professeure de pédiatrie à l’UCSF et directrice intérimaire de l’Institut de santé informatique Bakar, a combiné des données microbiomes vaginaux provenant de près de 1 200 femmes suivies dans neuf études distinctes, grâce à un partage ouvert de données. Ces données ont été utilisées dans les défis DREAM, dont Sirota a co-dirigé un volet spécifique sur le microbiome. L’IA a été testée sur trois défis DREAM : prédire la prématurité à partir du microbiome vaginal, et estimer l’âge gestationnel à partir de sang ou de tissu placentaire. L’objectif était d’imiter les méthodes des équipes humaines, mais sans codage manuel. Les systèmes ont reçu des instructions précises en langage naturel, comme un chatbot classique, pour guider leur analyse. Bien que l’IA ait permis une accélération considérable, les chercheurs insistent sur la nécessité d’une surveillance humaine : les modèles générés peuvent être biaisés ou erronés. L’IA ne remplace pas l’expertise scientifique, mais libère les chercheurs du travail fastidieux de construction de pipelines d’analyse. « Ces outils d’IA pourraient éliminer l’un des principaux goulets d’étranglement en science des données : la mise en place des pipelines d’analyse », affirme Sirota. « Ce gain de temps est crucial pour les patients qui ont besoin d’aide dès maintenant. » Adi L. Tarca, co-auteur et professeur à Wayne State, souligne que l’IA permet désormais à des chercheurs peu familiers avec la science des données de se concentrer sur des questions biologiques pertinentes plutôt que sur la résolution de bugs techniques. Cette étude, financée par le March of Dimes Prematurity Research Center et ImmPort, avec un soutien de la branche de recherche sur la grossesse du NICHD, ouvre la voie à une recherche médicale plus rapide, plus accessible et plus collaborative. Elle illustre le potentiel transformateur de l’IA générative, tout en rappelant que l’humain reste au cœur du processus scientifique.