Djeridane Luca

Plus de données, plus d’images, plus de cas simulés : dans le domaine de l’intelligence artificielle, l’abondance est souvent présentée comme une condition de la performance. L’idée paraît logique. Un modèle apprend à partir d’exemples ; plus il en rencontre, mieux il devrait comprendre le monde. Mais une image médicale n’est pas un exemple ordinaire. Elle porte une anatomie, une pathologie possible, un protocole d’acquisition et un contexte clinique. Elle peut participer à une décision de surveillance, de traitement ou d’intervention. Sa valeur ne dépend donc pas seulement de son apparence, mais de la qualité de l’information qu’elle contient. Les modèles génératifs ouvrent pourtant des possibilités considérables. Ils peuvent produire des images synthétiques pour enrichir des bases de données, représenter des maladies rares, compenser le manque de certains profils de patients ou tester des algorithmes dans des situations difficiles à réunir dans la réalité. Le piège serait de croire que chaque nouvelle image améliore automatiquement l’apprentissage.

La quantité peut donner une fausse impression de diversité

Un jeu de données peut contenir des milliers d’images tout en restant étroit. Les examens peuvent provenir des mêmes machines, des mêmes protocoles, des mêmes établissements ou de populations peu diversifiées. Dans ce cas, générer davantage d’images à partir de cette base ne corrige pas nécessairement ses limites. Le modèle génératif peut simplement produire de nouvelles variations d’un monde déjà incomplet. La différence entre variété visuelle et diversité clinique devient alors essentielle. Modifier légèrement une texture, un contraste ou la forme d’une lésion crée une nouvelle image. Cela ne signifie pas forcément que le modèle rencontrera une nouvelle situation médicale pertinente. La diversité utile concerne les âges, les morphologies, les stades de maladie, les appareils, les protocoles, les artefacts ou encore les formes atypiques d’une pathologie. Une image générée n’a d’intérêt que si elle apporte une variation qui compte réellement pour la tâche étudiée.

Les données synthétiques ne remplacent pas les données réelles

La génération d’images peut être particulièrement intéressante lorsque les données sont rares ou difficiles à annoter. Elle peut enrichir un jeu d’entraînement ou aider à mieux représenter certains cas. Mais elle ne permet pas de s’affranchir du réel. Un modèle génératif apprend à partir des données qu’on lui fournit. Si certaines populations ou certaines formes de maladie sont absentes, il ne peut pas les recréer fidèlement par simple imagination. Il risque plutôt de produire une approximation fondée sur ce qu’il connaît déjà. Les données synthétiques peuvent donc compléter les données réelles, mais elles ne remplacent pas la collecte d’examens diversifiés, bien annotés et représentatifs de la pratique clinique.

Produire pour répondre à une question

Avant de générer des milliers d’images, il faut définir leur fonction. S’agit-il d’entraîner un modèle à détecter une lésion ? De tester sa résistance au bruit ou aux mouvements du patient ? De simuler une pathologie rare ? De mieux représenter une population sous-représentée ? Chaque objectif impose des exigences différentes. Pour entraîner un modèle de détection de nodules pulmonaires, par exemple, il ne suffit pas de créer des formes rondes dans un poumon. Les nodules doivent présenter des tailles, des densités, des localisations et des relations anatomiques plausibles. Quelques images précisément contrôlées peuvent alors avoir davantage de valeur que des milliers de productions génériques.

De l’accumulation à la sélection

La vraie maturité ne consistera probablement pas à générer le plus grand nombre possible d’images médicales. Elle consistera à sélectionner celles qui répondent à un besoin précis, à vérifier leur cohérence et à mesurer leur effet sur les modèles entraînés. Les images synthétiques peuvent enrichir l’intelligence artificielle médicale. Mais l’abondance, à elle seule, n’est pas une preuve de qualité. En imagerie, voir plus ne signifie pas nécessairement voire mieux. Tout dépend de ce que les nouvelles images permettent réellement d’apprendre.