Mon grand-père me racontait souvent qu'au début de sa carrière de gynécologue, lors d'un congrès, il avait assisté à un débat « pour ou contre l'usage de l'échographie en gynécologie ». Je me suis demandé si, dans quelques années, un débat « pour ou contre l'utilisation de l'IA » paraitrait aussi obsolète. Alors, je me suis lancée dans un tour d'horizon de l'Intelligence Artificielle (IA) en endocrinologie avec au programme :
• Un petit historique en 10 dates
• Des explications sur tous ces noms : LLM, couches de neurones profonds, IA générative, etc.
• Des applications existantes ou prometteuses en diabétologie et thyroïde
• Les limites dans le domaine médical
• Quelques idées pratiques pour se lancer
Historique
Mais qu'est-ce que cela veut dire ?
Personnellement, tous ces noms et lettres me perdaient un peu : IA, LLM, etc. Alors, forcément, j'ai fait un arbre . Pour commencer par le tronc, l'IA se rapporte à l'ensemble des méthodes qui cherchent à reproduire certains comportements humains.
On va donc trouver des modèles de réflexion et de conversation comme ChatGpt, mais aussi de la robotique par exemple (ou dans la mythologie les automates dorés d'Héphaistos et la créature de Frankenstein, mais ça c'est une autre histoire).
L'IA qui est arrivée dans notre vie est passée par l'informatique. Initialement, l'informatique reposait sur des ordinateurs exécutant des consignes clairement définies. Si 1+1, alors le résultat est 2, ou toute autre formule Excel vous rappelant votre thèse.
L'apport de l'IA a été dans l'apprentissage : on ne répète plus les mêmes calculs, mais on va prendre en compte les nouveaux éléments et résultats pour améliorer les algorithmes. L'étape d'après a été la capacité des algorithmes à détecter des motifs et surtout à faire des prédictions.
Pour illustrer, on peut s'appuyer sur le calcul du risque cardiovasculaire avec les différentes étapes
• Informatique : si tabac + HTA + diabète : l'algorithme dit que le patient est à haut risque.
• Machine Learning : on fournit au modèle des caractéristiques (les facteurs de risques cardio-vasculaires (FDRCV)) et le résultat observé (événement cardiovasculaire ou non). Le modèle apprend quelles variables sont les plus prédictives et ajuste leur poids automatiquement à partir des données qu'on lui fournit : arrivée de l'apprentissage.
• Deep Learning : Le module sera alors composé de multiples couches de neurones artificiels permettant d'analyser de grandes quantités de données. Le module va étudier l'ensemble des dossiers (les FDRCV et les événements cardio-vasculaires) et donnera les prédicteurs : ceux qu'on connait et peut-être d'autres qu'il a trouvé. Avec l'ajout d'une nouvelle cohorte, ils seront à nouveau pondérés. En tant qu'utilisateur, on aura plus difficilement accès au processus décisionnel par contre. Un peu comme quand on ne sait pas très bien pourquoi notre cerveau a finalement décidé de choisir ce restaurant là plutôt qu'un autre, par exemple.
Dans le Deep Learning, on va retrouver le MLP (Multi Layer Perceptron) ou encore des architectures de type Transformer. Et là, vous êtes en terrain connu : ChatGPT ! Ces modèles reposent sur la prédiction et vont produire (c'est une IA générative) d'abord du texte puis maintenant des images et des vidéos. Ils sont entrainés sur d'immenses quantités de textes, d'où le premier L de Large Language Model (LLM), à prédire le mot suivant le plus probable.
Pour en revenir au FDRCV, si vous demandez à ChatGPT, Gemini, Claude ou autres de vous en parler, il évoquera ceux connus car ce sont ceux qui apparaissent le plus fréquemment associés dans les données sur lesquelles ils ont été entraînés.
Des applications existantes ou prometteuses en diabétologie et thyroïde
Diabète
Améliorer le dépistage en population générale avec des calculs de score prédictif à partir d'une radiographie de thorax (1) ou même par la voix (2). Focus étude : Dans cette étude (2) menée par une équipe luxembourgeoise à partir d'enregistrement de voix de patients des États-Unis, il était possible d'établir un score prédictif de diabète avec une aire sur la courbe (ROC-AUC) de 71% et une sensibilité/spécificité moyenne à 66 % chez les femmes. Chez les hommes, la courbe était de 75 %, avec une sensibilité/spécificité moyenne de 71 % des cas, améliorée également chez les patients hypertendus. En cas de score prédictif élevé, il faudra évidemment confirmer avec une prise de sang. Pour participer à la poursuite de l'étude, les patients peuvent enregistrer leur voix sur le site ColiVoice.
Aide à l'éducation avec des sortes de coach de poche
Plusieurs applications sur l'alimentation ont été proposées (3). Pour l'activité physique, une équipe chinoise (4) a créé du sport en réalité virtuelle avec un entraîneur IA qui s'adapte à la personne avec un même effet sur le poids (mais aussi des IRM fonctionnelles et de la multi-omic) que du sport classique. Focus étude : Cette étude américaine de non-infériorité (5) a comparé un programme existant de prévention du diabète de type 2 avec des intervenants humains à une application utilisant l'IA. L'application développée envoyait des notifications qui, via l'IA, étaient adaptées à la géolocalisation mais également avec un renforcement positif (c'està-dire que celles avec le plus d'effet étaient favorisées). 313 patients ont complété le suivi des 12 mois (adhérence de 85 %). Dans le groupe coach IA, 31.7 % des patients ont atteint le critère de jugement principal composite (perte de poids ou baisse de l'Hb1ac de 0.2%) à 1 an et 31.9 % dans le programme existant (différence de risque : −0,2 % ; IC unilatéral à 95 % : −8,2 %) en faveur d'une non-infériorité.
Les analyses CGM (plutôt pour la recherche que la clinique encore) et bien évidemment dans les algorithmes des pompes à boucle fermée.
Le dépistage de la rétinopathie (6) : plusieurs modules ont été proposés pour l'interprétation des fond d'œil. Une équipe de Shanghai a développé un Deep Learning qui en plus prédit la survenue de rétinopathie pour permettre d'espacer les suivis, parfois jusqu'à 5 ans et avec seulement 0,18 % d'erreur (7).
Thyroïde
Aider à la classification TIRADS des nodules : il s'agit de l'application la plus développée actuellement avec 6 systèmes approuvés par la Food and Drug Administration (FDA) aux ÉtatsUnis. Certains articles se sont intéressés uniquement à certaines catégories comme après des cytoponctions indéterminées.
Focus étude (8) : 176 patients espagnols opérés pour un nodule thyroïdien, ayant eu au minimum une évaluation avec échographie puis cytoponction, ont été inclus dans cette cohorte rétrospective. L'objectif était d'évaluer l'apport du module Koios® (utilisant l'IA et approuvé par la FDA) dans la classification des nodules et également d'évaluer l'impact financier. Les performances diagnostiques étaient similaires aux opérateurs experts et meilleures pour les opérateurs novices. Notamment, 55,7 % des nodules bénins obtenaient une classification TIRADS inférieure, ce qui permettrait de diminuer le nombre de gestes par la suite (cytoponction, chirurgie…). L'impact économique était évalué à 8085 € par décision clinique optimale supplémentaire et 2573 € par patient dans cette cohorte chirurgicale. La limite principale de cette étude est le doute sur sa transposition possible dans une cohorte de nodules thyroïdiens qui ne nécessitent pas forcément tous d'issue chirurgicale…
Évaluer l'exophtalmie basedowienne en prenant des photos pour permettre un meilleur adressage des patients avec une sensibilité de 99.7 % et une spécificité de 94.5 % (9).
Conseiller avant une ablation par radiofréquence des nodules thyroïdiens (les réponses étaient jugées fiables lorsque relues par les experts avec un avantage pour Gemini) (10).
La prédiction des métastases ganglionnaires de cancers thyroïdiens sur les images échographiques pré-opératoires afin de personnaliser les indications de curage au moment de la chirurgie.
Focus étude : Une équipe de Shanghai (11) a créé un modèle de deep-learning avec attention bi-directionnelle (où les images et les comptes-rendu enrichissent mutuellement leurs attentions), publié dans Nature Communications. Il utilise les images échographiques (forme, échogénicité, marges, texture, localisation), le compte rendu échographique, l'âge et le sexe pour donner un score prédictif de métastases ganglionnaires latérales. Il est plutôt très bon avec une aire sous la courbe à 0.944 et plus performant que les radiologues même expert ici
Apporter une première évaluation rapide en cyto ou anatomopathologie : avec une possibilité de pré-diagnostique sur les clichés de cytoponction (12), mais aussi prédire les mutations génétiques des cancers thyroïdiens papillaires à partir des clichés d'anatomopathologie (13)
Aider au calcul de dose d'iode 131 notamment dans les cancers thyroïdiens métastatiques avec création d'un jumeau numérique par une équipe du sud de la France pour aller vers une médecine personnalisée. Définition : Un jumeau numérique est une réplique virtuelle et dynamique d'un patient, alimentée par des données réelles (par exemple issues du CGM ou de la génétique), permettant de simuler son évolution et, on espère à l'avenir, de prédire les réponses thérapeutiques avant même d'essayer chez le patient.
Les limites dans le domaine médical
Cette partie sera uniquement centrée sur la partie médicale, sans évoquer les problématiques plus générales comme l'impact écologique ou encore les défis liés à la souveraineté.
D'après un rapport de l'université de Stanford (14), l'implémentation pratique présente actuellement 2 gaps :
• Dans la conception même des applications de l'IA en santé : les médecins sont surtout demandeurs d'applications pour avancer leurs tâches administratives. Pourtant ce ne sont pas actuellement les plus développées…
• Ensuite, il y a un gap entre les études de recherche et la translation clinique : beaucoup d'études montrent une performance diagnostique élevée, mais peu démontrent un bénéfice clinique tangible sur les patients ou dans l'organisation des soins.
C'est vraiment quelque chose qui m'a marqué tout au long des articles que j'ai parcouru : ils démontrent que oui ça arrive à diagnostiquer / trier sur des cohortes. Mais il y avait finalement très peu qui montrait un bénéfice dans la pratique quotidienne. Peut-être que ces articles-là viendront dans les années à venir…
Il existe des risques liés à la façon dont l'IA fonctionne.
• Les biais notamment démographiques : liées à une différence des populations utilisées pour alimenter les données et les populations malades. Par exemple : ce diagramme (15) montre bien cette différence dans le cancer de la thyroïde.
• Les hallucinations : elles sont inhérentes au LLM qui fonctionnent selon des calculs de prédiction. Elles peuvent être augmentées quand certaines données sont manquantes ce qui arrive fréquemment dans des dossiers médicaux en pratique…
Les risques existent aussi pour les patients :
• Leurs données sont-elles bien sécurisées ?
• Il peut y avoir une sur-confiance des patients dans des IA généralistes sans remise en cause de certains conseils.
Et enfin les risques pour nous les médecins :
• La responsabilité : même les bons modèles ont actuellement 10 à 20 % d'erreur (étude NOHARM (16)), par contre la responsabilité du médecin est toujours dans 100 % des cas.
• Les biais de confirmation et d'automatisation : après un mauvais diagnostic de l'IA, il est plus difficile de redresser la barre avec plus d'erreur diagnostique même chez les praticiens formés aux risque l'IA (17).
• Baisse des compétences : l'utilisation de l'IA peut entraîner une diminution des performances au long cours, par exemple : dans une étude des endoscopistes expérimentés utilisant l'IA pour détecter des polypes ont vu leur propre taux de détection chuter de 28,4 % à 22,4 % lorsqu'ils ont dû retravailler sans l'assistance de l'IA.
• L'apprentissage : actuellement l'esprit critique des médecins a précédé l'arrivée de l'IA. Comment former une génération de médecin qui grandit avec l'IA à construire son esprit critique ?
Les règles d'or
Une fois ces risques énoncés, quelques règles incontournables
1 • Ne jamais mettre de données des patients dans une IA généraliste
2 • Toujours garder un œil critique et sa vigilance
3 • Se rappeler que tout dépend des données de départ
4 • Utiliser l'IA comme une aide jamais comme un décideur
Quelques idées pratiques pour se lancer
Quelques idées de l'utilisation de l'IA dans la pratique quotidienne, sans avoir à faire un DIU :
Vérifier l'orthographe : pour un mail important, un document ou une newsletter bien sûr.
Traduire : des documents, des articles, etc.
Calculer : la fraction d'excrétion du calcium, des paramètres pour l'insuline (sensibilité, etc.), des scores diagnostiques, etc.
Retrouver des informations : Notebook LM notamment peut être très utile pour cela. On met ses documents préférés, puis on peut poser une question et l'information sera retrouvée dans nos propres documents (et donc sourcée).
Aider à la bibliographie : pour retrouver et également résumer des articles. Le risque d'hallucinations (ChatGPT qui invente un article …) peut être diminué via des applications spécialisées (consensus GPT ou Pulse Life ou MedGPT par exemple) ou en adaptant son prompt.
Créer un support visuel : une affiche, une iconographie, il suffit de demander à une IA générative qui crée des images (ChatGPT, Vibe de Mistral, Claude...) en précisant le texte et le style voulu (affiche par exemple). Il existe des applications complémentaires commercialisées pour aider pour la gestion des mails (à l'aide d'un agent IA pour trier les mails voire débuter les réponses), générer les comptes rendus de consultation (et pourquoi pas aussi une fiche résumée pour le ou la patiente) ou encore aider à la gestion des rendez-vous médicaux.
À vous de jouer
• Si vous avez 5 minutes : Connectez-vous à NotebookLM (google), charger une recommandation de votre choix et commencer à poser des questions. Vous pouvez même demander un résumé en podcast !
• Si vous avez 15 minutes : faites une affiche sur les hypoglycémies avec l'IA générative de votre choix OU une mini bibliographie sur Consensus GPT
• Si vous avez 30 minutes : explorer la newsletter Médecins Malins et faire certains de leurs exercices proposés OU tester différents modèles d'IA générative pour choisir votre préféré (Chat GPT, Claude, Perplexity, Mistral, etc.)
En conclusion
La conclusion d'un article du journal Thyroid® sur l'application de l'IA dans les cancers thyroïdiens (18) parait un bon résumé :
« Les outils d'IA sont prometteurs (…). Les cliniciens doivent être informés des limites de l'IA et connaitre comment sélectionner et mettre en place des technologies qui sont : - compatible avec l'infrastructure existante - adaptées à la population de patients à laquelle elles seront destinées - faciles à utiliser - et améliorent les parcours de soins actuels ».
3 INFOS POUR LA ROUTE
1. L'amélioration de l'IA repose sur sa capacité d'apprentissage et à faire des prédictions via différents modèles.
2. L'apport en endocrinologie sera multiple : rétinopathie, coach, pompe à insuline, classification des nodules, aide à l'anatomopathologie, etc.
3. Des études dans la pratique quotidienne sont encore en attente.
Bibliographie
1. Pyrros A, Borstelmann SM, Mantravadi R, Zaiman Z, Thomas K, Price B, et al. Opportunistic detection of type 2 diabetes using deep learning from frontal chest radiographs. Nat Commun. 7 juill 2023;14(1):4039. doi:10.1038/s41467-023-39631-x PubMed PMID: 37419921; PubMed Central PMCID: PMC10328953.
2. Elbéji A, Pizzimenti M, Aguayo G, Fischer A, Ayadi H, Mauvais-Jarvis F, et al. A voice-based algorithm can predict type 2 diabetes status in USA adults: Findings from the Colive Voice study. Hinske LCG, éditeur. PLOS Digit Health. 19 déc 2024;3(12):e0000679. doi:10.1371/journal.pdig.0000679.
3. Gavai AK, Van Hillegersberg J. AI-driven personalized nutrition: RAG-based digital health solution for obesity and type 2 diabetes. Ghasemi H, éditeur. PLOS Digit Health. 6 mai 2025;4(5):e0000758. doi:10.1371/journal.pdig.0000758.
4. Wang J, Qin Y, Wu Q, Zeng D, Gao X, Wang Q, et al. An adaptive AI-based virtual reality sports system for adolescents with excess body weight: a randomized controlled trial. Nat Med. juill 2025;31(7):2255-68. doi:10.1038/s41591-025-03724-5.
5. Mathioudakis N, Lalani B, Abusamaan MS, Alderfer M, Alver D, Dobs A, et al. An AI-Powered Lifestyle Intervention vs Human Coaching in the Diabetes Prevention Program: A Randomized Clinical Trial. JAMA. 16 déc 2025;334(23):2079. doi:10.1001/jama.2025.19563
6. Dave D, Steinhubl SR, McQueen RB. Deep Learning-Enabled Diabetic Retinopathy Screening: A Techno-Clinical Revolution or Just More Artificial Intelligence Hype? Diabetes Care. 1 mars 2026;49(3):381-3. doi:10.2337/dci25-0123 PubMed PMID: 41719471; PubMed Central PMCID: PMC12925980.
7. Dai L, Sheng B, Chen T, Wu Q, Liu R, Cai C, et al. A deep learning system for predicting time to progression of diabetic retinopathy. Nat Med. févr 2024;30(2):584-94. doi:10.1038/s41591-023-02702-z.
8. Bodoque-Cubas J, Fernández-Sáez J, Martínez-Hervás S, Pérez-Lacasta MJ, Carles-Lavila M, Pallarés-Gasulla RM, et al. Integrating Artificial Intelligence in Thyroid Nodule Management: Clinical Outcomes and Cost-effectiveness Analysis. J Clin Endocrinol Metab. 21 janv 2026;111(2):405-17. doi:10.1210/clinem/dgaf399 PubMed PMID: 40650885.
9. Sui X, Lai KKH, Choy RWC, Wang H, Chan KKW, Aljufairi FMAA, et al. Explainable Deep Learning System for Automatic Detection of Thyroid Eye Disease Using Facial Images. Am J Ophthalmol. sept 2025;277:323-34. doi:10.1016/j.ajo.2025.05.022.
10. Beiriger J, Estephan LE, Campbell D, Dhillon VK, Goldenberg D, Noel J, et al. Evaluating Artificial Intelligence Chatbots for Patient Education on Thyroid Radiofrequency Ablation: An Analysis of Accuracy, Quality, and Readability. Thyroid OffJ Am Thyroid Assoc. févr 2026;36(2):162-8. doi:10.1177/10507256251414974 PubMed PMID: 41791887.
11. Shen P, Yang Z, Sun J, Wang Y, Qiu C, Wang Y, et al. Explainable multimodal deep learning for predicting thyroid cancer lateral lymph node metastasis using ultrasound imaging. Nat Commun. 1 août 2025;16(1):7052. doi:10.1038/s41467-025-62042-z
12. Assaad S, Dov D, Davis R, Kovalsky S, Lee WT, Kahmke R, et al. Thyroid Cytopathology Cancer Diagnosis from Smartphone Images Using Machine Learning. Mod Pathol. juin 2023;36(6):100129. doi:10.1016/j.modpat.2023.100129.
13. Marion I, Schulz S, Glasner C, Kather JN, Truhn D, Eckstein M, et al. Deep Learning Discovers New Morphological Features while Predicting Genetic Alterations from Histopathology of Papillary Thyroid Carcinoma. Thyroid®. 1 juill 2025;35(7):771-80. doi:10.1089/thy.2024.0691
14. Peter Broder. State of Clinical AI Report 2026. Stanf Univ.
15. Ramchandani R, Guo E, Biglou SG, Sabbah SG, Mostowy M, Mahiny D, et al. Representation and Bias in Artificial Intelligence Models for Thyroid Cancer: A Systematic Review. Thyroid®. 11 déc 2025;10507256251372175. doi:10.1177/10507256251372175.
16. Wu D, Haredasht FN, Maharaj SK, Jain P, Tran J, Gwiazdon M, et al. First, do NOHARM: towards clinically safe large language models. 2025. PubMed PMID: 41532042; PubMed Central PMCID: PMC12794822.
17. Qazi IA, Ali A, Khawaja AU, Akhtar MJ, Sheikh AZ, Alizai MH. Automation Bias in Large Language Model–Assisted Diagnostic Reasoning among Physicians Trained in AI Literacy — A Randomized Clinical Trial. NEJM AI. 23 avr 2026;3(5). doi:10.1056/AIoa2501001.
18. Thomas J, Tessler FN. Artificial Intelligence Applications in Thyroid Cancer Diagnosis: 2026 Update. Thyroid®. 1 févr 2026;36(2):133-40. doi:10.1177/10507256251412316.
Dr Clotilde SAIE
Endocrinologue à l'Hôpital d'Arlon, Belgique
