En médecine, chaque décision repose sur une réflexion structurée. Symptômes, antécédents, examens : tout s’articule pour dégager une hypothèse. Lorsqu'une intelligence artificielle intervient, l’essentiel n’est pas seulement la réponse, mais parfois aussi le "chemin" et le raisonnement qui y mène.
C’est tout l’enjeu ce qu'on appelle, dans le jargon de l'IA, la Chain of Thought (CoT). Plutôt qu’un verdict brut, cette approche pousse l’IA à détailler son raisonnement, pas à pas. Autrement dit, comme pourrait le faire un être humain, et ici un soignant. Ici, il ne s'agit pas nécessairement d'une nouvelle technique, car elle s'était déjà fait connaître dès les premiers éclats des ChatBots type GPT, mais c'est toujours d'actualité.
Qu'est-ce que la Chain of Thought (CoT) ?
Le Chain of Thought (CoT) est une méthode de prompt engineering. Le prompt engineering, c'est l'art, en quelques sortes, de poser les bonnes questions/instructions aux IA, tel ChatGPT ou Mistral AI. Ici, CoT, on l'appellera comme ça désormais, encourage l’IA à expliquer ses conclusions. Au lieu d’une réponse immédiate, elle déroule une réflexion progressive. Une logique plus naturelle, plus compréhensible.
Dans les domaines où la justification est cruciale – comme l’analyse clinique – cette approche prend tout son sens.
Pourquoi est-ce pertinent en santé ?
Un professionnel de santé ne pose pas un diagnostic en une phrase. Il observe, confronte les indices, écarte certaines hypothèses et en privilégie d’autres. Une IA capable d’adopter cette logique apporte plusieurs bénéfices :
- Structurer l’analyse clinique : plutôt qu’un simple résultat, elle met en avant les hypothèses, leurs justifications et leurs limites.
- Rendre la réponse plus transparente : chaque étape est vérifiable, évitant les boîtes noires.
- Aider à prioriser les examens complémentaires : l’IA peut suggérer une démarche progressive.
- Faciliter l’apprentissage : pour un étudiant ou un interne, suivre un raisonnement explicite aide à mieux comprendre la logique clinique.
Comment fonctionne la CoT ?
Le principe est simple : guider l’IA pour qu’elle explicite chaque étape de son analyse. Un prompt bien conçu peut suffire, avec des instructions comme :
"Réfléchis étape par étape avant de répondre."
Ou encore, un exemple de raisonnement structuré. Bien que l'essence de la méthode réside dans la citation donnée juste une ligne avant !
Un exemple concret
Cas clinique : Un patient de 65 ans arrive aux urgences avec une douleur thoracique irradiant vers le bras gauche, des sueurs et une sensation d'oppression.
Prompt avec CoT :
Analyse ce cas en suivant une approche logique. 1. Identifie les symptômes principaux. 2. Liste les causes possibles en fonction des données cliniques. 3. Priorise les hypothèses les plus probables. 4. Indique les examens complémentaires recommandés.
Réponse de l’IA :
- Le patient présente une douleur thoracique irradiant vers le bras gauche, accompagnée de sueurs et d’oppression.
- Parmi les diagnostics possibles : infarctus du myocarde (IDM), embolie pulmonaire, dissection aortique.
- L’IDM est le plus probable en raison de la localisation de la douleur et des facteurs de risque.
- Examens à réaliser en urgence : ECG, dosage des troponines, bilan biologique.
Résultat : l’IA ne se contente pas d’un diagnostic. Elle construit un raisonnement clinique que le soignant peut analyser et ajuster.
Avantages et limites de la CoT
✅ Améliore la précision en obligeant l'IA à suivre un raisonnement cohérent. Une étude de Google Research a montré une augmentation de 17,9 % des performances sur des tâches complexes grâce au CoT par rapport au prompting standard, et jusqu'à 75 % d'amélioration sur certaines tâches de raisonnement mathématique.
✅ Transparence : les professionnels peuvent vérifier chaque étape.
✅ Aide à l'apprentissage : utile pour la formation des étudiants et internes.
❌ Peut être verbeux : la réponse est plus longue qu'un simple diagnostic brut.
❌ Dépend de la qualité du prompt : une instruction mal formulée peut altérer la réponse.
❌ Une dépendance au prompt : une instruction mal formulée peut détourner l’analyse de son objectif.
❌ Bien que cela ne soit pas forcément un point faible, la consommation et le temps de réponse sont largement plus importante dans le cadre du CoT.
Vers une IA plus explicable en médecine
La Chain of Thought transforme l’usage des IA en santé. En rapprochant leur mode de réflexion de celui de nos propres raisonnement, les études, ainsi que les experiences rapportées du terrain, apportent une valeur nouvelle : non seulement répondre, mais expliquer.
C’est peut-être là l’essentiel : une intelligence artificielle qui ne se limite pas au résultat, mais qui construit une logique lisible. De quoi ouvrir la voie à une collaboration plus fluide entre IA et professionnels de santé.
Pour comprendre un peu plus ce qu'on appelle ici "prompt", et de façon générale, les autres techniques pour augmenter l'efficience de votre utilisation lié aux IA's, on vous recommmande l'article générale sur les différentes techniques de prompting :
Sources
- Wei et al. (2022), "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models", Google Research.
- Brown et al. (2020), "Language Models are Few-Shot Learners", OpenAI.
- Patel et al. (2023), "AI in Healthcare: The Role of Explainable Reasoning Models", Medical AI Review.
- Google Research (2022), "Language Models Perform Reasoning via Chain-of-Thought", arXiv.
