Titre paradoxal tant on a l'habitude de dire le contraire. Mais cette semaine, focus sur une étude qui pourrait changer la donne pour l'IA médicale à l'hôpital : les modèles open source rattrapent enfin les modèles propriétaires comme GPT-4 sur des diagnostics complexes.
Publiée dans JAMA Health Forum, cette étude d'une équipe de Harvard Medical School (Raj Manrai et Thomas Buckley) a comparé le modèle open source Llama 3.1 (405 milliards de paramètres, développé par Meta) au modèle propriétaire GPT-4 d'OpenAI, sur des cas cliniques complexes issus des Clinical Pathological Conferences du Massachusetts General Hospital, publiées dans le New England Journal of Medicine. Sur un premier ensemble de 70 cas, le modèle open source a intégré le bon diagnostic dans 70% des cas contre 64% pour GPT-4, et l'a proposé en première intention dans 41% des cas contre 37%. Sur un second lot de 22 cas plus récents, les résultats se confirment avec 73% d'inclusion du diagnostic correct et 45% en première position.[1]
Pourquoi c'est important pour vous
La différence entre modèle "propriétaire" et "open source" n'est pas qu'une question technique : elle touche directement à la confidentialité des données patients. Avec un modèle propriétaire type ChatGPT, les requêtes quittent l'établissement et transitent vers un serveur externe, ce qui inquiète légitimement les directions informatiques hospitalières. Un modèle open source, lui, peut être téléchargé et exécuté localement, derrière le pare-feu de l'hôpital, sans qu'aucune donnée ne sorte de l'établissement — un argument décisif pour les responsables IT et pour la protection des données de santé.
· Confidentialité renforcée : les requêtes et données patients restent en interne, sans transfert vers un tiers.
· Personnalisation possible : le modèle peut être ajusté (fine-tuné) selon les besoins spécifiques d'un service ou d'un hôpital.
· Coût matériel en baisse : le modèle testé tourne sur environ 12 processeurs graphiques (GPU) haut de gamme, une configuration de plus en plus accessible aux structures hospitalières.
· Limite pratique : cela reste hors de portée d'un simple ordinateur personnel pour l'instant, mais les chercheurs anticipent une miniaturisation rapide des modèles performants.
Ce qu'en disent les chercheurs
Les auteurs insistent : cette étude est une "preuve de concept" plutôt qu'une validation clinique directe. Les vignettes du NEJM sont rédigées de façon très structurée par des médecins qui ont déjà trié l'information — ce qui ne reflète pas le chaos réel d'une consultation. Le message central reste néanmoins clair pour la pratique quotidienne : ces outils doivent rester un appui au jugement clinique, jamais un substitut, en raison du risque persistant d'hallucinations (informations inventées avec assurance) propre à tous les grands modèles de langage actuels.
| Aspect | Modèle propriétaire (ex. GPT-4) | Modèle open source (ex. Llama 3.1) |
| Accès aux données | Requêtes envoyées à un serveur externe | Traitement local, aucune donnée ne sort |
| Performance diagnostique | 64% de bon diagnostic inclus [1] | 70-73% de bon diagnostic inclus [1] |
| Personnalisation | Limitée, contrôlée par l'éditeur | Possible (fine-tuning local) |
| Coût d'infrastructure | Abonnement/API | Matériel GPU dédié à l'hôpital |
Les chercheurs anticipent une utilisation combinée à l'avenir : les modèles les plus puissants (via API cloud) pour les cas complexes, et des modèles plus légers, locaux et rapides pour des tâches courantes comme l'extraction d'informations ou la préparation de synthèses de dossier. La question qui se pose désormais aux équipes de recherche est de cartographier précisément quel modèle convient à quelle tâche clinique, plutôt que de chercher systématiquement le modèle le plus puissant disponible.
Ia4Med — L'actualité de l'IA pour les médecins.
⁂
1. https://www.frequencemedicale.com/20/actualites/13350-Intelligence-artificielle-des-outils-qui-peuvent-deja-ameliorer-la-medecine
2. https://medvasc.info/archives-blog/ia-3
3. https://www.cnil.fr/sites/default/files/2026-03/guide_has_cnil_recommandations_ia.pdf
4. https://thinkia.com/fr/thoughts/generative-ai-in-healthcare-revolutionizing-patient-care/
5. https://pepite-depot.univ-lille.fr/LIBRE/Th_Medecine/2025/2025ULILM346.pdf
6. https://www.academie-medecine.fr/wp-content/uploads/2024/03/Rapport-Systemes-dIA-generative-en-sante.pdf
7. https://www.moussasoft.com/lia-peut-demander-a-une-autre-ia-2-opinion/
8. https://jamanetwork.com/channels/ai
9. https://jamanetwork.com/collections/44024/artificial-intelligence
10. https://connectedoctors.fr/sante-connectee/connected-doctors/2025/02/ia-et-dispositifs-daide-a-la-decision-medicale-quels-retours-des-usages/
11. https://www.ieb-eib.org/fr/actualite/recherche-biomedicale/recherche-medicale/l-ia-dans-les-soins-de-sante-aide-ou-frein-dans-la-prise-de-decision-2338.html
12. https://www.sciencedirect.com/science/article/pii/S0001407924000943
13. https://rm.coe.int/cdbio-2023-7rev3-ai-report-new-banner-f/1680b1bff4
14. https://www.viasante.fr/app/uploads/prev-files/inline-files/PDFInternet-ViasantéNAT_sept23.pdf
15. https://medvasc.info/archives-blog/ia-et-santé-une-synthése