IA et neurologie : les nouveaux horizons de la recherche

Par: Krista Davidson

28 Mar, 2026

28 mars 2026

Comment Tal Arbel élabore des systèmes d’IA dignes de confiance pour améliorer le diagnostic et le traitement de maladies neurologiques comme la sclérose en plaques

Imaginez un avenir où l’on ne se contenterait plus de prédire l’apparition de maladies chroniques comme la sclérose en plaques (SP), mais où l’on en tracerait l’évolution clinique avec précision. En anticipant l’impact de certaines interventions sur la trajectoire individuelle de chaque patiente ou patient, nous pourrons alors délaisser la prise en charge standardisée au profit de soins réellement personnalisés.

Ce sont ces questions qui orientent les travaux de Tal Arbel, titulaire de chaire en IA Canada-CIFAR à Mila et professeure à l’Université McGill. Tal fait figure de pionnière dans la conception de systèmes d’IA à la fois sûrs, fiables et équitables, spécialement conçus pour fonctionner dans l’environnement complexe et exigeant de la pratique clinique. Ses travaux se situent à la croisée de deux domaines essentiels, là où la vision par ordinateur rencontre l’apprentissage automatique probabiliste pour relever les défis concrets de l’analyse d’images médicales.

Déceler les schémas sous-jacents

Pour les maladies neurologiques comme la SP, la précision est d’une importance cruciale. L’évolution de ces maladies est à la fois variable et insidieuse. « Pour de nombreuses affections, d’infimes changements dans la structure cérébrale ou la configuration des lésions peuvent avoir des répercussions profondes sur les capacités physiques et cognitives d’une personne, sans que l’on sache tout à fait pourquoi », explique Tal Arbel.

Ces légères variations échappent aux méthodes radiologiques traditionnelles, car les schémas sont trop subtils et complexes pour être décelés à l’œil nu. Selon Tal Arbel, l’analyse de données statiques d’ordre clinique, qui ne représentent qu’un instantané dans le temps, ne suffit pas à prédire la progression des maladies chroniques évolutives. Pour établir le pronostic d’une patiente ou d’un patient, l’IA doit pouvoir modéliser des dynamiques temporelles complexes et exploiter des données qui varient dans le temps.

Concevoir des modèles de fondement 3D en imagerie médicale

Si l’IA moderne a réalisé des avancées majeures en analyse d’images 2D, les modèles actuels sont mal adaptés aux exigences que pose la structure tridimensionnelle complexe des scintigraphies cérébrales. Pour combler cette lacune, Tal Arbel et son équipe mettent au point des modèles de fondation 3D en imagerie médicale. Ces modèles pourront intégrer des données multimodales combinant des images médicales à haute dimension, les caractéristiques démographiques des patientes et patients ainsi que leurs antécédents médicaux afin de reconnaître, dans les images, des signatures prédictives de la vitesse de progression de la maladie.

Cette avancée est l’occasion de faire évoluer les soins neurologiques en passant d’une IA descriptive, destinée à détecter les tumeurs, à une IA prescriptive, capable de prédire l’évolution de la maladie.

PRISM : reconstruire l’image de la santé

L’une des innovations les plus remarquables de Tal Arbel est PRISM, une méthode de génération d’images médicales contrefactuelles, à haute résolution et de grande précision, fondée sur Stable Diffusion, un modèle de création d’images photoréalistes à partir de descriptions textuelles. PRISM est un modèle d’IA générative qui offre au personnel clinique la possibilité d’explorer divers scénarios hypothétiques.

En analysant l’IRM d’une personne et en générant une image hypothétique de son organisme en bonne santé, les scientifiques peuvent localiser avec précision les structures anatomiques à l’origine de ses symptômes.

Fait crucial, PRISM sert de mécanisme de vérification pour atténuer les biais inhérents aux données d’imagerie médicale. Il peut mettre au jour des corrélations fallacieuses dans les données, par exemple lorsque des dispositifs médicaux ou des artéfacts d’IRM sont fréquemment associés à une maladie et qu’ils occultent la signature du véritable problème. En révélant les failles sous-jacentes aux données et en produisant des images contrefactuelles réalistes pour en corriger les déséquilibres, PRISM contribue à rendre les outils d’IA utilisés en aval plus équitables et mieux adaptés à la prise en charge de différents groupes de population.

Vers un nouveau cadre de traitement

C’est dans l’optique d’une médecine véritablement personnalisée que l’équipe de Tal Arbel a mis au point le tout premier cadre temporel, causal et stochastique jamais conçu. En recourant à l’inférence causale, un domaine de l’IA consacré à l’identification de relations de cause à effet bien précises, le modèle rend compte de l’évolution en continu de la maladie. Il applique les équations différentielles stochastiques neuronales (NSDE) aux images à haute dimension (IRM) et aux données tabulaires de la patiente ou du patient afin de permettre aux équipes cliniques de prédire à la fois l’évolution réelle de la maladie et d’établir des scénarios contrefactuels.

L’équipe a validé ce cadre à l’aide de données provenant de six essais cliniques d’envergure sur la sclérose en plaques et prédit avec exactitude les coefficients d’incapacité jusqu’à deux ans à l’avance. Il s’agit d’un exploit en soi : si un grand nombre d’essais cliniques se soldent par un échec parce que le traitement s’avère inefficace pour la patiente ou le patient moyen, ce modèle, lui, pousse l’analyse plus loin. En tenant compte de l’hétérogénéité d’un groupe, ou de sa diversité biologique, cette approche permet cibler des sous-groupes de patientes et patients ayant répondu favorablement au traitement. L’équipe peut ainsi déterminer des traitements fructueux qui, autrement, auraient été mis de côté du fait de leur inefficacité chez une majorité de personnes.

« Cette percée ouvre la voie à une médecine de précision dans le domaine de la SP, souligne Tal Arbel. Au lieu d’administrer le même médicament à tout le monde, une IA fondée sur l’imagerie multimodale pourrait nous permettre de proposer le traitement le mieux adapté à chaque personne. »

Regards vers l’avenir et sur l’écosystème canadien

Pour la suite des choses, Tal Arbel s’intéresse à l’IA agentique, des systèmes capables de planifier, d’agir et de s’ajuster en fonction des résultats obtenus, un peu comme le font les spécialistes cliniques.

Tal Arbel estime que le programme de chaires en IA Canada-CIFAR lui a procuré la liberté intellectuelle et la souplesse nécessaires pour lui permettre de s’aventurer dans des domaines très prometteurs comme l’inférence causale et les modèles de langage multimodaux (des systèmes d’IA avancés capables de traiter plusieurs types de données, tels que des données d’imagerie 3D et des données cliniques).

« L’écosystème canadien est le ciment qui unit notre communauté de l’IA, dit-elle. Il prouve à l’industrie, notamment aux sociétés pharmaceutiques et aux partenaires cliniques, que le Canada possède tous les atouts pour transformer l’IA théorique en outils dignes de confiance qui contribuent directement à l’amélioration des soins. »

single share hidden input

Soutenez-nous

L’Institut canadien de recherches avancées (CIFAR) est une organisation de recherche d’influence mondiale fièrement basée au Canada. Nous mobilisons les plus brillants personnes du monde, dans toutes les disciplines et à tous les stades de carrière, pour faire progresser les connaissances transformatrices et résoudre ensemble les plus grands problèmes de l’humanité. Nous recevons l’appui des gouvernements du Canada, de l’Alberta et du Québec, ainsi que de fondations, de particuliers, d’entreprises et d’organisations partenaires du Canada et du monde entier.

Dons