# Au MIT, l’IA améliore novices et cliniciens, mais différemment > Une étude du MIT montre que l’assistance médicale par IA améliore les diagnostics, mais pousse surtout les non-experts à suivre des réponses parfois erronées. Type : Actualité IA · Catégorie : Secteur · Publié le 2026-09-14 · Signal IA - Order & Chaos · Secteur : Santé Source : https://www.orderchaos.eu/signal-ia/actu/au-mit-lia-aide-les-novices-mais-deroute-les-cliniciens Tags : ia médicale, diagnostic, santé, explicabilité, biais algorithmique, llm --- ## En résumé - L’étude du MIT compare des non-experts et des cliniciens face à des diagnostics dermatologiques assistés par IA. - Les non-experts ont amélioré leur précision en suivant davantage les prédictions et explications du modèle. - Les cliniciens ont obtenu leurs meilleurs résultats avec une prédiction sans explication supplémentaire. **Le signal :** Les non-experts ont davantage suivi les explications erronées des LLM, tandis que les cliniciens ont mieux résisté aux erreurs de l’IA. **Une étude du MIT** publiée le 4 août 2026 dans *Nature Medicine* examine l’effet de l’assistance par IA sur le [diagnostic](/signal-ia/actu/mit-lia-medicale-aide-les-novices-egare-les-cliniciens) des maladies de peau. Les chercheurs ont comparé des non-experts et des professionnels de soins primaires. Les participants ont évalué des images médicales avec ou sans prédiction assistée par IA. L’étude conclut que l’assistance améliore généralement la précision des deux groupes. Cependant, les mécanismes diffèrent selon leur niveau de connaissances. Les non-experts ont surtout progressé en se fiant au modèle. Les cliniciens ont davantage confronté la réponse de l’IA à leur propre diagnostic. [Lire l’étude publiée dans Nature Medicine](https://link.springer.com/article/10.1038/s41591-026-04553-w). ## Quatre interfaces testées : confiance, images similaires, carte de chaleur et explication LLM **Les différentes interfaces** ont fourni une prédiction avec niveau de confiance, des images similaires, une carte de chaleur ou une explication générée par un grand modèle de langage. Les non-experts devaient déterminer si un grain de beauté était cancéreux. Les [cliniciens](/signal-ia/actu/mit-lia-medicale-trompe-les-novices-pas-les-pros) devaient établir un diagnostic différentiel dermatologique, une tâche plus complexe. Toutes les approches explicables ont amélioré la précision des non-experts. Cette progression concernait surtout l’identification des grains de beauté non cancéreux. Un modèle soumis à une contrainte d’équité a aussi amélioré la précision et réduit les écarts liés au teint de peau. Le résultat souligne l’importance du profil utilisateur dans la conception des interfaces médicales. ## Les non-experts suivent davantage les modèles : l’effet est maximal avec les explications LLM **Les explications LLM** ont produit l’effet de déférence le plus marqué chez les non-experts. Ces utilisateurs ont jugé les explications convaincantes lorsqu’elles restaient vagues ou génériques. Ils ont aussi conservé davantage de confiance dans leurs réponses lorsqu’elles étaient fausses. Selon Marzyeh Ghassemi, professeure associée au MIT, l’amélioration observée vient principalement d’une forte dépendance aux modèles. Une erreur du modèle dégrade alors davantage la performance qu’une bonne prédiction ne l’améliore. Roxana Daneshjou, professeure adjointe à Stanford, estime que les personnes ayant le moins de connaissances médicales risquent le plus d’être égarées par une sortie erronée présentée avec une explication. ## Les cliniciens résistent mieux : la prédiction seule donne leurs meilleurs résultats **Les cliniciens résistent mieux** aux explications incorrectes de l’IA. Parmi les méthodes testées, les modèles de langage ont le moins augmenté leur précision. Les professionnels ont obtenu leurs meilleurs résultats avec la prédiction du modèle seule, sans explication complémentaire. Les chercheurs relient cette différence à la manière dont chaque groupe utilise l’outil. Un clinicien possède déjà une hypothèse diagnostique et vérifie l’IA avec sa formation. Un non-expert peut utiliser l’explication pour construire sa première opinion. Les systèmes d’IA ont aussi mieux réussi lorsque les signes de maladie étaient subtils. Les humains ont mieux performé face aux symptômes atypiques ou aux éléments non pertinents d’une image. ## Les chercheurs testent un ordre différent : l’hypothèse humaine vient avant l’explication **Le moment de l’explication** a également modifié le comportement des participants. Lorsque l’IA présentait son explication avant le diagnostic humain, les utilisateurs devenaient plus dépendants du modèle. Les personnes les plus déférentes envers l’assistance étaient aussi les moins performantes sans IA. Les chercheurs proposent donc de demander d’abord une hypothèse diagnostique à l’utilisateur. L’outil pourrait ensuite suggérer d’autres conditions à examiner, plutôt que fournir immédiatement une justification détaillée. Orson Xu, auteur principal et professeur adjoint à l’université Columbia, affirme que la présentation d’une recommandation compte autant que sa justesse. L’objectif est de renforcer la réflexion critique et de compléter les compétences manquantes.