Pourquoi l'IA médicale se dit bayésienne — et ce qu'elle livre vraiment
Thomas Bayes a formulé que la probabilité n’est pas une fréquence mais un état de croyance. P(A|B) = P(B|A) × P(A) / P(B). Le prior, la vraisemblance, le posterior — un moteur de mise à jour de la connaissance.
En médecine, cette philosophie est naturelle. Un clinicien fait du bayésianisme intuitif : probabilité pré-test, résultat de test, diagnostic révisé.
Les données rares (HDLSS), la quantification de l’incertitude (distribution vs score ponctuel), l’intégration de connaissances causales sous forme de graphe orienté. La FDA et l’EMA reconnaissent la valeur de cette approche.
Un arc dans un réseau bayésien ne dit pas « A cause B ». Il dit « si j’observe A, je dois réviser ma croyance sur B ». Judea Pearl distingue trois niveaux : observer, intervenir, imaginer. Un réseau bayésien opère au premier niveau. Un graphe causal aux trois.
Estimation par maximum de vraisemblance, priors uniformes ou conjugués par commodité, incertitude non propagée. Le résultat ressemble à du bayésien, se vend comme du bayésien, mais n’en a pas les propriétés.
Un modèle calibré globalement peut être catastrophiquement mal calibré localement. La dérive silencieuse rend le modèle inadapté sans alarme.
Un data scientist senior maîtrisant les transformers coûte 80-140k€. Un biostatisticien maîtrisant les réseaux bayésiens coûte 50k€. Le choix architectural est partiellement un choix RH.
Validation clinique indépendante. Caractérisation honnête de l’incertitude. Procédure de surveillance de dérive. Équipe capable de maintenir le modèle dans le temps.