{"id":39781,"date":"2025-04-22T10:08:35","date_gmt":"2025-04-22T08:08:35","guid":{"rendered":"https:\/\/neuronup.com\/?p=39781"},"modified":"2026-07-10T11:16:00","modified_gmt":"2026-07-10T09:16:00","slug":"les-modeles-linguistiques-de-type-chatgpt-peuvent-ils-aider-a-diagnostiquer-lautisme","status":"publish","type":"post","link":"https:\/\/neuronup.com\/fr\/investigation\/lignes-de-recherche\/les-modeles-linguistiques-de-type-chatgpt-peuvent-ils-aider-a-diagnostiquer-lautisme\/","title":{"rendered":"Les mod\u00e8les de langage du type ChatGPT peuvent-ils aider au diagnostic de l’autisme ?"},"content":{"rendered":"\n

Dans cet article, la doctorante Marta Arbizu G\u00f3mez pr\u00e9sente l’\u00e9tude \u00abLos grandes modelos ling\u00fc\u00edsticos deconstruyen la intuici\u00f3n cl\u00ednica para diagnosticar el autismo\u00bb<\/em>, dans laquelle est explor\u00e9 l’impact de la utilisation de mod\u00e8les de langage \u00e0 grande \u00e9chelle pour le diagnostic de l’autisme<\/strong>.<\/p>\n\n\n\n

Introduction<\/h2>\n\n\n\n

Le diagnostic du trouble du spectre de l’autisme (TSA) a traditionnellement \u00e9t\u00e9 une t\u00e2che complexe, qui d\u00e9pend largement de l’exp\u00e9rience clinique, de l’observation d\u00e9taill\u00e9e et de l’interpr\u00e9tation de comportements vari\u00e9s. Bien qu’il existe des guides diagnostiques bien d\u00e9finis comme le DSM-5, la pratique clinique est souvent guid\u00e9e par une \u00ab intuition \u00bb<\/strong> que les professionnels d\u00e9veloppent apr\u00e8s des ann\u00e9es d’exp\u00e9rience. Mais que se passerait-il si nous pouvions \u00ab lire \u00bb cette intuition et la comprendre selon une approche plus objective ?<\/p>\n\n\n\n

Une \u00e9tude r\u00e9cente publi\u00e9e dans la revue Cell<\/em>, intitul\u00e9e \u00ab\u00a0Large language models deconstruct the clinical intuition behind diagnosing autism\u00a0\u00bb<\/em>, explore pr\u00e9cis\u00e9ment cette possibilit\u00e9 : utiliser des mod\u00e8les de langage \u00e0 grande \u00e9chelle<\/strong> (LLMs, pour \u00ab large language models \u00bb) pour d\u00e9chiffrer les sch\u00e9mas que les cliniciens suivent pour diagnostiquer l’autisme<\/strong>. Les r\u00e9sultats ne sont pas seulement surprenants, ils pourraient aussi avoir des implications profondes sur la mani\u00e8re dont nous comprenons et r\u00e9alisons les diagnostics de TSA aujourd’hui.<\/p>\n\n\n\n

Le contexte : pourquoi est-il n\u00e9cessaire de revoir la fa\u00e7on dont nous diagnostiquons l’autisme ?<\/h2>\n\n\n\n

Le TSA est un trouble du neurod\u00e9veloppement caract\u00e9ris\u00e9 par de difficult\u00e9s de communication sociale et des sch\u00e9mas de comportement et d’int\u00e9r\u00eats restreints et r\u00e9p\u00e9titifs<\/strong>. Cependant, ces caract\u00e9ristiques peuvent se pr\u00e9senter avec une grande variabilit\u00e9 entre les individus, ce qui rend le diagnostic un processus nuanc\u00e9 et parfois subjectif.<\/p>\n\n\n\n

De plus, bien que des outils diagnostiques standardis\u00e9s comme l’ADOS ou l’ADI-R apportent une structure au processus, de nombreux diagnostics se basent sur des rapports narratifs r\u00e9dig\u00e9s par les cliniciens qui ont observ\u00e9 le patient. Autrement dit, la mani\u00e8re dont le clinicien d\u00e9crit le patient peut avoir un poids important dans le diagnostic final.<\/p>\n\n\n\n

Face \u00e0 cette r\u00e9alit\u00e9, les chercheurs se sont pos\u00e9 une question cl\u00e9 : quels \u00e9l\u00e9ments au sein de ces rapports \u00e9crits guident r\u00e9ellement les d\u00e9cisions diagnostiques ?<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Abonnez-vous<\/strong>
\u00e0 notre
Newsletter<\/h2>\n\n\n\n
\n
Abonnez-vous<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Qu’ont fait les chercheurs ?<\/h2>\n\n\n\n

Les auteurs de l’\u00e9tude ont rassembl\u00e9 <\/strong>plus de 40 000 rapports cliniques p\u00e9diatriques <\/strong>du syst\u00e8me de sant\u00e9 publique du Massachusetts. Ces rapports, r\u00e9dig\u00e9s par des professionnels de la sant\u00e9 mentale, contenaient des descriptions d\u00e9taill\u00e9es du comportement et du fonctionnement des patients.<\/p>\n\n\n\n

Avec cette base de donn\u00e9es, les chercheurs ont entra\u00een\u00e9 plusieurs mod\u00e8les de langage<\/strong>, y compris GPT-4 (d\u00e9velopp\u00e9 par OpenAI) et un mod\u00e8le clinique open source appel\u00e9 Clinician-LLaMA. L’id\u00e9e \u00e9tait que les mod\u00e8les apprennent \u00e0 pr\u00e9dire si un rapport clinique correspondait \u00e0 un patient diagnostiqu\u00e9 avec un TSA ou non<\/strong>, en se basant uniquement sur le texte.<\/p>\n\n\n\n

Les r\u00e9sultats ont \u00e9t\u00e9 surprenants : les mod\u00e8les ont atteint une pr\u00e9cision remarquable dans la classification<\/strong>, m\u00eame lorsque des informations cl\u00e9s comme le sexe ou l’\u00e2ge du patient \u00e9taient masqu\u00e9es. Cela sugg\u00e8re que les rapports contenaient des sch\u00e9mas linguistiques implicites que les mod\u00e8les pouvaient d\u00e9tecter et qui refl\u00e9taient la mani\u00e8re dont les cliniciens prennent des d\u00e9cisions.<\/p>\n\n\n\n

Qu’ont-ils trouv\u00e9 ?<\/h2>\n\n\n\n

Au-del\u00e0 de la pr\u00e9cision de la pr\u00e9diction, ce qui est le plus int\u00e9ressant, c’est ce que les mod\u00e8les ont r\u00e9v\u00e9l\u00e9 sur le processus diagnostique lui-m\u00eame. En analysant quels fragments de texte avaient le plus de poids dans les d\u00e9cisions du mod\u00e8le, les chercheurs ont identifi\u00e9 que certains types de comportements et de descriptions \u00e9taient plus d\u00e9terminants<\/strong> que d’autres.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"Graphique
Graphique 1. Facteurs ayant le plus de poids dans le diagnostic de TSA selon les mod\u00e8les de langage. \u00c9laboration propre.<\/figcaption><\/figure>\n<\/div>\n\n\n
<\/div>\n\n\n\n

Comme on peut le constater sur le graphique, les comportements r\u00e9p\u00e9titifs, st\u00e9r\u00e9otyp\u00e9s, les int\u00e9r\u00eats restreints et les aspects li\u00e9s \u00e0 la perception sensorielle ont \u00e9t\u00e9 les facteurs les plus associ\u00e9s<\/strong> \u00e0 un diagnostic positif de TSA. En revanche, les difficult\u00e9s d’interaction sociale, qui sont l’un des piliers traditionnels du diagnostic selon le DSM-5, ont eu moins de poids dans les mod\u00e8les.<\/p>\n\n\n\n

Cela ne signifie pas que les difficult\u00e9s sociales ne sont pas pertinentes, mais que, dans la pratique, les cliniciens semblent pr\u00eater davantage attention \u2014 peut-\u00eatre de mani\u00e8re inconsciente \u2014 \u00e0 d’autres sch\u00e9mas comportementaux au moment de d\u00e9cider si un patient remplit les crit\u00e8res diagnostiques.<\/p>\n\n\n\n

Ci-dessous, sont r\u00e9sum\u00e9s les r\u00e9sultats principaux de l’\u00e9tude<\/strong> dans un tableau pour en faciliter la compr\u00e9hension :<\/p>\n\n\n\n

<\/div>\n\n\n\n
Aspect analys\u00e9<\/strong><\/th>R\u00e9sultat \/ Observation<\/strong><\/th><\/tr><\/thead>
Mod\u00e8le utilis\u00e9<\/strong><\/td>GPT-4 et Clinician-LLaMA (mod\u00e8les de langage entra\u00een\u00e9s avec des rapports cliniques).<\/td><\/tr>
Source des donn\u00e9es<\/strong><\/td>Plus de 40.000 rapports cliniques p\u00e9diatriques du syst\u00e8me de sant\u00e9 publique du Massachusetts.<\/td><\/tr>
T\u00e2che du mod\u00e8le<\/strong><\/td>Pr\u00e9dire si le patient avait un diagnostic d’autisme en se basant uniquement sur le texte du rapport.<\/td><\/tr>
Pr\u00e9cision du mod\u00e8le<\/strong><\/td>\u00c9lev\u00e9e, m\u00eame lorsque des variables comme le sexe ou l’\u00e2ge \u00e9taient masqu\u00e9es.<\/td><\/tr>
Facteurs les plus d\u00e9terminants dans le diagnostic<\/strong><\/td>Comportements r\u00e9p\u00e9titifs, int\u00e9r\u00eats restreints et traits sensoriels\/perceptifs.<\/td><\/tr>
Facteurs moins d\u00e9terminants<\/strong><\/td>Difficult\u00e9s dans l’interaction sociale.<\/td><\/tr>
Implication cl\u00e9<\/strong><\/td>Dans la pratique clinique, les comportements observables influencent davantage que pr\u00e9vu.<\/td><\/tr>
Impact possible sur les crit\u00e8res diagnostiques <\/strong><\/td>Sugg\u00e8re la n\u00e9cessit\u00e9 de r\u00e9\u00e9valuer le poids de certains crit\u00e8res dans le DSM-5.<\/td><\/tr>
Application de l’IA en sant\u00e9 mentale <\/strong><\/td>Comme outil d’aide au diagnostic et d’analyse du raisonnement clinique. <\/td><\/tr><\/tbody><\/table>
Tableau 1. R\u00e9sum\u00e9 des principaux r\u00e9sultats de l’\u00e9tude. \u00c9laboration propre.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Comme on peut l’observer, les mod\u00e8les de langage n’ont pas seulement r\u00e9ussi \u00e0 pr\u00e9dire le diagnostic de TSA avec une grande pr\u00e9cision, ils ont \u00e9galement r\u00e9v\u00e9l\u00e9 que certains sch\u00e9mas comportementaux \u2014 en particulier les comportements r\u00e9p\u00e9titifs et les int\u00e9r\u00eats restreints \u2014 sont plus influents dans la pratique clinique que ce que sugg\u00e8rent les crit\u00e8res diagnostiques traditionnels. Cela ouvre la porte \u00e0 une r\u00e9flexion<\/strong> sur la mani\u00e8re dont ces crit\u00e8res sont appliqu\u00e9s dans le contexte r\u00e9el.<\/p>\n\n\n\n

Implications : devons-nous repenser les crit\u00e8res diagnostiques de l’autisme ?<\/h2>\n\n\n\n

Ces r\u00e9sultats suscitent une discussion importante : les crit\u00e8res diagnostiques actuels refl\u00e8tent-ils r\u00e9ellement la mani\u00e8re dont les professionnels \u00e9valuent les patients ?<\/strong> <\/p>\n\n\n\n

Si les cliniciens accordent syst\u00e9matiquement plus d’importance aux comportements observables comme les st\u00e9r\u00e9otypies ou les int\u00e9r\u00eats restreints, il pourrait \u00eatre n\u00e9cessaire de r\u00e9\u00e9valuer le poids attribu\u00e9 \u00e0 chaque cat\u00e9gorie diagnostique dans les guides officiels.<\/p>\n\n\n\n

De plus, cette approche pourrait avoir des implications pour la formation des nouveaux professionnels<\/strong>, qui pourraient b\u00e9n\u00e9ficier de la compr\u00e9hension de la mani\u00e8re dont les crit\u00e8res sont appliqu\u00e9s en pratique r\u00e9elle, au-del\u00e0 de la th\u00e9orie.<\/p>\n\n\n\n

L’intelligence artificielle peut-elle aider au diagnostic clinique du TSA ?<\/h2>\n\n\n\n

Une des grandes promesses de l’intelligence artificielle dans le domaine de la sant\u00e9 est sa capacit\u00e9 \u00e0 d\u00e9tecter des sch\u00e9mas complexes dans de grands volumes de donn\u00e9es. Dans ce cas, les mod\u00e8les de langage n’agissent pas seulement comme des outils de classification, mais aussi comme des instruments qui nous permettent de rendre visible l’invisible<\/strong> : la logique implicite derri\u00e8re les d\u00e9cisions cliniques.<\/p>\n\n\n\n

Bien loin de remplacer les professionnels, ces mod\u00e8les peuvent fonctionner comme des alli\u00e9s<\/strong>, offrant un second avis fond\u00e9 sur des milliers de cas ant\u00e9rieurs, et aidant \u00e0 d\u00e9tecter des biais ou des incoh\u00e9rences dans les processus diagnostiques.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n