L'IA augmentée de récupération (RAG) peut optimiser les consultations en radiologie tout en préservant la confidentialité des patients
infohightech ·
Les modèles de langage optimisés par génération augmentée de récupération (RAG) peuvent égaler, voire surpasser, les performances des principaux systèmes cloud. Ces modèles ont éliminé les hallucinations, offert des temps de réponse ultra-rapides, amélioré la précision clinique et renforcé la sécurité lors des consultations radiologiques à enjeux élevés. En alliant hautes performances et stricte confidentialité des données, les modèles optimisés par RAG offrent une solution sûre, fiable et efficace pour l'aide à la décision clinique en temps réel. Crédit : Professeur associé Akihiko Wada, Faculté de médecine de l'Université Juntendo, Japon
Dans les hôpitaux modernes, une prise de décision rapide et précise est essentielle, notamment en radiologie, où les consultations de produits de contraste nécessitent souvent des réponses rapides, basées sur des directives cliniques complexes. Pourtant, les médecins sont souvent contraints de prendre ces décisions sous pression, sans accès immédiat à toutes les informations pertinentes. Ce défi est particulièrement crucial pour les établissements qui doivent également protéger les données des patients en évitant les outils cloud.
Dans une nouvelle étude publiée en ligne dans npj Digital Medicine le 2 juillet 2025 , une équipe de chercheurs dirigée par le professeur associé Akihiko Wada de l'Université Juntendo, au Japon, a démontré que la génération augmentée de récupération (RAG), une technique qui permet à l'IA de consulter des sources fiables lors de la génération de réponses, peut améliorer considérablement la sécurité, la précision et la vitesse des grands modèles de langage (LLM) déployés localement pour les consultations de produits de contraste radiologiques.
L'étude a été co-écrite par le Dr Yuya Tanaka de l'Université de Tokyo, le Dr Mitsuo Nishizawa de l'hôpital Urayasu de l'Université Juntendo et le professeur Shigeki Aoki de la faculté de médecine de l'Université Juntendo.
L'équipe a développé une version améliorée du modèle de langage local (RAG) et l'a testée sur 100 cas simulés impliquant des produits de contraste iodés, un composant courant en tomodensitométrie. Ces consultations nécessitent généralement une évaluation des risques en temps réel basée sur des facteurs tels que la fonction rénale, les allergies et les antécédents médicamenteux. Le modèle amélioré a été comparé à trois IA cloud de premier plan : GPT-4o mini, Gemini 2.0 Flash et Claude 3.5 Haiku, ainsi qu'à sa propre version de référence, un LLM standard.
Les résultats ont été remarquables. Le modèle optimisé par RAG a totalement éliminé les hallucinations dangereuses (de 8 % à 0 %) et a réagi nettement plus rapidement que les systèmes basés sur le cloud (2,6 secondes en moyenne, contre 4,9 à 7,3 secondes). Si les modèles basés sur le cloud ont bien fonctionné, le système optimisé par RAG a comblé l'écart de performance, fournissant des résultats plus sûrs et plus rapides, tout en conservant les données médicales sensibles sur site.
« En clinique, réduire à zéro les hallucinations constitue une avancée majeure en matière de sécurité », déclare le Dr Wada. « Ces hallucinations peuvent entraîner des recommandations erronées sur le dosage du produit de contraste ou des contre-indications non respectées. Notre système a généré des réponses précises, conformes aux recommandations, sans commettre ces erreurs. »
Il est à noter que le modèle fonctionnait également efficacement sur les ordinateurs hospitaliers standard, le rendant accessible sans matériel coûteux ni abonnement au cloud, ce qui est particulièrement utile pour les hôpitaux disposant d'un personnel de radiologie limité.
L'inspiration pour ce travail est venue directement de l'expérience clinique. « Nous sommes fréquemment confrontés à des décisions complexes concernant les produits de contraste, qui nécessitent la consultation de multiples recommandations sous pression », rappelle le Dr Wada.
Par exemple, les cas impliquant des patients présentant de multiples facteurs de risque – insuffisance rénale, interactions médicamenteuses ou antécédents d'allergies. Nous avons réalisé que l'IA pouvait simplifier ce processus, mais seulement si nous pouvions conserver les données sensibles des patients au sein de notre établissement.
Le modèle optimisé par RAG récupère dynamiquement les informations pertinentes à partir d'une base de connaissances organisée, incluant les directives internationales en radiologie et les protocoles institutionnels. Ainsi, chaque réponse repose sur des connaissances médicales vérifiées et à jour, plutôt que sur des données pré-entraînées.
Au-delà de la radiologie, les chercheurs envisagent d'appliquer cette technologie à la médecine d’urgence, à la cardiologie, à la médecine interne et même à l'enseignement médical. Elle pourrait également révolutionner les hôpitaux ruraux et les prestataires de soins de santé dans les milieux défavorisés en offrant un accès instantané à des conseils d'experts.
Globalement, cette étude représente une avancée majeure dans le domaine de l'IA clinique, prouvant qu'il est possible d'atteindre des performances de niveau expert sans compromettre la confidentialité des patients. Le modèle amélioré par RAG ouvre la voie à des solutions d'IA plus sûres, plus équitables et immédiatement déployables dans le secteur de la santé. Alors que les hôpitaux du monde entier cherchent à concilier progrès technologique et responsabilité éthique, cette recherche offre une voie pratique et évolutive.
« Nous pensons que cela marque une nouvelle ère pour la médecine assistée par l'IA », déclare le Dr Wada. « Une ère où excellence clinique et confidentialité des patients vont de pair. »