Microsoft Research a publié le 17 novembre 2026 un épisode de balado qui se demande à quoi ressemblerait la médecine avec l’IA, et les invités s’entendent sur un constat net : la recherche avance plus vite que les hôpitaux. L’épisode « Can AI help build a healthier future? » fait partie de la série The Shape of Things to Come, animée par Doug Burger.
Trois invités l’accompagnent. Eric Horvitz est directeur scientifique de Microsoft, Ava Amini est gestionnaire principale de recherche chez Microsoft Research et codirige le Project Ex Vivo avec le Broad Institute, et le Dr Eric Topol est vice-président exécutif de Scripps Research. Ensemble, ils abordent le diagnostic, l’imagerie médicale, les modèles de patient complet, les cellules virtuelles et la découverte de médicaments.
Que rapporte l’équipe de Microsoft sur le diagnostic par IA ?
Eric Horvitz décrit une nouvelle façon d’évaluer l’IA diagnostique. Au lieu de remettre un dossier complet au modèle, son équipe le place dans la position d’un clinicien : il part d’un motif de consultation et de quelques antécédents, puis choisit les questions à poser, les examens à demander selon leur coût et le moment de poser un diagnostic, même dans l’incertitude. Il appelle cela le défi du diagnostic séquentiel.
La page de publication de Microsoft Research donne les chiffres clés :
- le système d’IA, qui simule un groupe de médecins, atteint 83,2 % d’exactitude sur des cas clinicopathologiques du New England Journal of Medicine
- il atteint 80,3 % sur des admissions aux urgences de la base MIMIC-IV-ED
- les médecins généralistes obtiennent 36,1 et 46,8 % sur ces deux ensembles, respectivement
Le résumé précise que ces résultats proviennent d’un banc d’essai contrôlé. Eric Horvitz a fait la même mise en garde : la comparaison avec les généralistes doit être lue avec ses limites. Eric Topol y voit le premier système agentique à battre les médecins et d’autres modèles de pointe, avec une exactitude « presque doublée » à moindre coût.
Pourquoi Eric Topol dit-il que l’IA éprouvée n’arrive pas aux patients ?
Selon lui, le domaine s’est tourné vers l’IA générative en négligeant ce qui est mieux démontré : l’analyse d’images médicales comme la rétine, la radiographie pulmonaire et l’électrocardiogramme. Il cite un essai randomisé en mammographie réunissant plus de cent mille femmes et 44 essais randomisés en coloscopie, qui dorment dans les revues.
Son explication tient à l’adoption, pas à la science. Les systèmes de santé ont de faibles marges, la profession change lentement, et ni les médecins ni les patients ne réclament ces outils. Il dit attendre toujours que ces travaux touchent les soins et pense que la pression des médecins ou des patients pourrait faire bouger les choses.
Que sont les modèles de patient complet et les cellules virtuelles ?
Eric Topol voit dans les modèles de patient complet la prochaine étape : dossiers de santé électroniques, images brutes, génomique, protéomique et exposome réunis. L’objectif est de prédire les maladies et leur moment probable, de tester des scénarios hypothétiques et de passer du « vous êtes à risque » à la prévention. Il s’attend à des modèles de patient complet matures avant la cellule virtuelle, encore lointaine.
Ava Amini rappelle que la biologie est multiéchelle, des molécules aux organes, et que relier ces niveaux est un défi d’apprentissage automatique. Sa principale préoccupation est la mise en oeuvre : à quoi ces modèles serviront et comment les scientifiques expérimentaux les adopteront. La collaboration avec le Broad Institute vise à bâtir ce lien de bas en haut.
Qu’est-ce qui freine l’IA en biologie ?
Les données, selon Eric Topol et Ava Amini. Eric Topol rappelle qu’AlphaFold a fonctionné parce que la Protein Data Bank existait, et qu’il n’existe rien de comparable en sciences de la vie ou en médecine. Ava Amini souhaite des jeux de données centrés sur l’activité, reliant la séquence d’une protéine à sa fonction à grande échelle.
Elle et Eric Horvitz décrivent aussi l’usage de modèles pour guider les expériences, afin que le temps de laboratoire aille aux pistes les plus prometteuses et que les coûts et les délais diminuent. Ava Amini est claire : le monde réel restera toujours le goulot d’étranglement.
Prix
La page de l’épisode n’indique aucun prix. Elle propose la lecture vidéo, une transcription complète et des liens d’abonnement pour Apple Podcasts, Spotify, le courriel, Android et RSS.
À qui s’adresse-t-il
Lecteurs qui suivent l’IA en médecine. L’épisode montre des chercheurs de Microsoft et un médecin-chercheur externe qui s’accordent, divergent et nuancent leurs propres affirmations.
Gestionnaires d’hôpitaux et de systèmes de santé. L’argument d’Eric Topol porte sur les obstacles à l’adoption, comme les coûts, les marges et les incitatifs.
Étudiants et chercheurs en biologie et en apprentissage automatique. La discussion sur les données et la validation montre d’où doivent venir les prochains progrès.
Toute personne qui cherche des conseils de santé. Il s’agit d’une discussion de recherche, pas d’un avis médical. Pour vos questions de santé, consultez un professionnel qualifié.
Ce qu’on ne sait pas encore
L’épisode ne donne aucune date d’utilisation de ces systèmes en clinique, et les résultats de l’article sont des résultats de banc d’essai. Les invités eux-mêmes disent qu’il manque encore la mise en oeuvre, de meilleures données biologiques et une validation en conditions réelles.
Pour aller plus loin, ouvrez la page de l’épisode sur le site de Microsoft Research pour la transcription, puis la page de publication de l’article pour le résumé complet.






