Projection, validation et domaine de substituabilité des cohortes synthétiques
Le vocabulaire courant parle de patients synthétiques, et il égare dès le premier mot. Un générateur tabulaire n’imite pas des individus ; il apprend, à partir d’un échantillon fini, une approximation de la distribution jointe d’un ensemble de variables hétérogènes, puis en tire de nouvelles réalisations. La cohorte produite n’est pas la copie de la cohorte d’entraînement, pas davantage qu’un second lancer de dé n’est la copie du premier. La bonne image n’est pas l’imitation mais la projection : une transformation qui conserve certaines propriétés du levé clinique, en abandonne d’autres et réorganise le reste. Valider un tel instrument ne consiste donc pas à mesurer une ressemblance, mais à délimiter les zones où cette projection demeure substituable à la distribution observée, et celles où elle devient spéculative. TweenMe est l’un des terrains où cette délimitation cesse d’être une clause de style pour devenir une contrainte d’ingénierie.
L’asymétrie est structurelle et elle interdit d’importer les recettes du visuel. Une image possède une géométrie donnée par le capteur : une grille de pixels, une invariance par translation, un voisinage naturel entre points proches. Une table clinique n’a rien de tout cela. Ses variables sont hétérogènes, ses marginales souvent multimodales, ses catégories fortement déséquilibrées, et aucune métrique d’adjacence ne préexiste à l’analyse. Synthétiser une image exploite une géométrie ; synthétiser une table clinique exige d’abord de la fabriquer. La conséquence mérite d’être dite sans détour : un générateur tabulaire apprend autant une métrique implicite qu’une distribution, et les métriques taillées pour les images diagnostiquent mal ses défaillances. Le tabulaire n’est pas une variante du visuel ; c’est un régime propre, avec ses modes d’échec propres.
Le support estimé a une étendue, il a aussi une résolution, et le second axe décide de tout. L’étendue dit où la carte existe ; la résolution dit avec quelle finesse elle informe. Cette finesse n’est pas une affaire de densité mais d’information locale : mille patients presque identiques résolvent mal une région, quand trente patients suffisamment variés la résolvent bien. De là une formule qui tient le reste : une région peut être couverte sans être suffisamment résolue. La couverture rassure ; la résolution décide. Il faut alors séparer deux échecs que les distances agrégées confondent. L’extrapolation est une défaillance de couverture : on sort du support. La sous-résolution est une défaillance de grain : on reste dans le support sans densité suffisante pour le contraindre. Les deux produisent des observations plausibles d’apparence, et c’est précisément ce qui les rend dangereuses, d’autant que la fluidité conversationnelle des outils modernes dissimule la transition entre estimation et extrapolation.
Les familles d’architectures sont présentées comme une lignée de perfectionnements. La lecture est trompeuse : toutes visent la même cible, une distribution, mais chacune la construit avec un opérateur différent. Un réseau bayésien factorise une jointe auditable, une copule dissocie marginales et dépendance, CTGAN combat la multimodalité continue et le déséquilibre catégoriel, TabDDPM apprend la distance qui sépare la donnée du bruit, un générateur causal préserve l’effet d’une intervention là où préserver P(X) ne préserve pas P(Y | do(X)). Aucune n’est meilleure dans l’absolu ; chacune choisit ce que la projection conserve, abandonne et réorganise. Le biais inductif n’est pas un défaut à corriger : c’est la formalisation des hypothèses que la projection impose lorsque les observations deviennent insuffisantes. L’hybridation ne fait exception qu’à une condition : greffer de l’attention ou une diffusion latente n’a de valeur que si chaque composant répond à un mode de défaillance identifié. Sur de petits effectifs cliniques, l’attention greffée sans défaillance à corriger apprend surtout le bruit et produit une matrice qui impressionne les comités sans rien expliquer.
L’objection sérieuse doit être formulée à pleine force : si les modèles de diffusion dominent désormais la plupart des classements tabulaires, pourquoi traiter l’architecture comme une décision de second ordre ? La réponse ne conteste pas les benchmarks. Ils mesurent de mieux en mieux la fidélité, la diversité, la confidentialité, l’utilité. Ils agrègent néanmoins ces performances sur des régions moyennes, et restent mal équipés pour qualifier une substituabilité conditionnelle dans une marge clinique rare. La domination de la diffusion est réelle au centre et indémontrée aux bords. Le leaderboard est vrai et hors-sujet. Ce qui se décide en clinique se décide précisément là où le classement se tait.
Voici le résultat. Une objection paraît naturelle : si la cohorte reproduit fidèlement les distributions, pourquoi ne remplacerait-elle pas la cohorte réelle ? Elle confond la qualité d’une représentation et la validité d’un raisonnement construit sur elle. Deux cartes routières l’illustrent : la première reproduit parfaitement le relief mais omet des routes secondaires, la seconde simplifie le relief mais conserve tout le réseau ; la première ressemble davantage au territoire, la seconde conduit plus sûrement à destination. La fidélité approxime la conservation de P(X) ; les conclusions dépendent de P(Y | X). Le Train-on-Synthetic, Test-on-Real ne délivre pas une note au générateur : il qualifie une représentation relativement à une famille de tâches, et son résultat dépend simultanément du générateur, de la tâche, du modèle aval et du protocole d’évaluation. Deux générateurs peuvent inverser leur classement selon qu’on entraîne un modèle de survie, un classifieur ou un estimateur causal. La substituabilité ne caractérise jamais un générateur ; elle caractérise une représentation relativement à une famille de décisions. La thèse est falsifiable, et il faut le dire pour qu’elle reste scientifique : une corrélation forte et stable entre les métriques de fidélité et la substituabilité opérationnelle, mesurée à travers des tâches variées, la réfuterait.
Une preuve conditionnelle vaut pour une population, une période, une famille de tâches, un protocole ; modifier l’une de ces composantes modifie l’objet validé. Une cohorte validée sur un cancer du sein ne devient pas valide pour un cancer bronchique, et une validation sur des données de 2015 ne survit pas nécessairement à l’introduction d’une nouvelle stratégie thérapeutique. La raison profonde est double, et la seconde est rarement nommée : non seulement la population dérive, mais l’instrument de mesure dérive avec elle, car les nomenclatures, les critères diagnostiques et les pratiques de codage se renouvellent. Un échantillon imparfait se corrige par plus de données ; un instrument imparfait ne se corrige que par la connaissance de ses biais. La conséquence est opérationnelle et l’industrie la sous-estime régulièrement : le coût réel d’une plateforme générative n’est pas la production d’une cohorte, c’est le maintien de son domaine de validité, par la surveillance, la revalidation, la recalibration et le versionnement. C’est la logique des domaines d’applicabilité des modèles QSAR en toxicologie : un modèle n’est pas valide parce qu’il prédit bien en général, mais parce que son domaine de validité est connu, documenté et respecté. TweenMe implémente cette doctrine : le produit ne cherche pas à optimiser un générateur, il cherche à industrialiser le maintien du domaine de validité.
Notes doctrinales et explorations sur l’IA en systèmes régulés. Une à deux fois par mois. Désabonnement en un clic.