Artificial Intelligence in Healthcare: 2025 Year in Review

Ce rapport de 2025 révèle une maturation significative de la recherche en intelligence artificielle dans le domaine de la santé, marquée par un doublement des publications et une transition rapide des modèles d'apprentissage machine classiques et des LLM textuels vers des modèles de fondation multimodaux capables de mieux refléter la complexité des données cliniques réelles.

L'essentiel

🏥 L'IA dans la Santé : Le Grand Saut de 2025

Imaginez que le monde de la recherche médicale est une immense bibliothèque. Chaque année, les chercheurs y déposent des milliers de nouveaux livres (des articles scientifiques) sur l'IA. Ce rapport de 2025 nous dit que cette bibliothèque a presque doublé de taille par rapport à l'année dernière !

Mais ce n'est pas seulement la quantité qui a changé, c'est surtout la qualité et le type de livres qu'on y trouve. Voici les grandes nouvelles, expliquées avec des images du quotidien.

1. De l'Étudiant Curieux au Médecin Expérimenté 🎓➡️🩺

Pendant longtemps, l'IA dans la santé était comme un étudiant brillant mais inexpérimenté. Il lisait beaucoup de livres et posait des questions théoriques, mais il n'était pas encore prêt à soigner de vrais patients.

En 2025, l'IA est passée à l'étape suivante : elle est devenue un médecin résident.

• Ce qui a changé : Le rapport montre que de moins en moins d'études sont de simples "essais" ou des revues théoriques. De plus en plus, les chercheurs testent des modèles qui ont un impact réel et direct sur les soins aux patients. C'est le passage de la théorie à la pratique.

2. Le Passage du "Lecteur de Texte" au "Super-Héros Multimodal" 📚➡️👁️👂

C'est le changement le plus excitant de l'année !

• Avant (2024) : L'IA était comme un lecteur de livres très rapide. Elle était excellente pour comprendre le texte (les dossiers médicaux, les rapports), mais elle avait du mal avec les autres sens.
• Maintenant (2025) : L'IA est devenue un super-héros aux sens aiguisés. On appelle cela les Modèles Fondationnels Multimodaux.
  • Imaginez un médecin qui ne lit pas seulement vos symptômes, mais qui regarde votre radiographie, écoute votre toux, et lit votre historique médical, le tout en même temps pour poser un diagnostic.
  • En 2025, le nombre de recherches utilisant cette "vision" et cette "ouïe" combinées a explosé (passant de 25 à 144 études). L'IA commence enfin à voir le patient tel qu'il est vraiment : un ensemble complexe d'images, de sons et de mots.

3. Les Radiologues sont les Champions, mais tout le monde joue 🏆

Si l'on regarde quels médecins utilisent le plus l'IA, ce sont les radiologues (ceux qui regardent les images médicales).

• L'analogie : C'est comme si les radiologues avaient les premiers accès à une nouvelle technologie de lunettes de vision nocturne. Ils l'utilisent massivement pour voir des détails invisibles à l'œil nu.
• Cependant, d'autres spécialités comme la chirurgie, l'oncologie (cancer) et l'ophtalmologie (yeux) rattrapent leur retard. L'IA ne se contente plus de lire des textes ; elle aide à guider les couteaux des chirurgiens et à analyser les tumeurs.

4. La Fin des "Petits Outils" et l'Ère des "Géants" 🐜➡️🐘

Il y a quelques années, les chercheurs utilisaient des petits outils mathématiques simples (ce qu'on appelle l'apprentissage machine "classique").

• La métaphore : C'était comme essayer de construire une cathédrale avec des briques faites main, une par une.
• En 2025 : Les chercheurs ont abandonné ces petites briques pour utiliser des préfabriqués géants (les Modèles Fondationnels). Ces modèles sont si puissants qu'ils peuvent comprendre des situations complexes sans qu'on ait besoin de tout leur expliquer pas à pas. Résultat : l'utilisation des "petits outils" a même diminué pour la première fois !

5. Ce qui reste à faire 🚧

Malgré ces progrès, le rapport note deux choses importantes :

• L'IA administrative : L'IA est très bonne pour remplir des formulaires ou créer du matériel éducatif pour les patients. C'est comme un secrétaire ultra-rapide qui aide les médecins à gagner du temps.
• Le futur : On commence à peine à voir des "agents autonomes" (des IA qui agissent seules pour accomplir des tâches complexes) et des scribes médicaux (qui écrivent les comptes-rendus pendant la consultation). C'est le prochain grand saut en avant.

En Résumé 🌟

L'année 2025 marque le moment où l'IA médicale a mûri. Elle n'est plus juste une curiosité technologique qui lit des textes. Elle est en train de devenir un partenaire de soin complet, capable de voir, d'entendre et de comprendre la complexité du corps humain, un peu comme un médecin très expérimenté qui a lu tous les livres de la bibliothèque et vu des millions de patients.

Le champ est en train de passer de l'expérimentation à la réalité clinique, promettant des soins plus précis et plus rapides pour nous tous.

Résumé technique

Titre : Intelligence Artificielle dans la Santé : Bilan de l'Année 2025

1. Problématique et Contexte

Le domaine de l'intelligence artificielle (IA) appliquée à la santé connaît une croissance exponentielle, portée par des avancées dans les architectures de modèles et la disponibilité massive de données. Si les années précédentes (notamment 2024) ont été marquées par l'enthousiasme pour les modèles de langage (LLM) basés sur le texte, le paysage évolue rapidement.
Le problème central abordé par cette étude est la nécessité de comprendre la maturation de ce champ de recherche : le passage d'une phase exploratoire à des applications réelles et évaluées. Il s'agit d'analyser comment les modèles évoluent des approches unimodales (texte) vers des modèles fondationnels multimodaux capables de traiter la diversité inhérente des données cliniques (images, texte, audio, etc.), et d'identifier les tendances de publication pour l'année 2025.

2. Méthodologie

L'étude repose sur une revue systématique et une analyse quantitative des publications scientifiques, en suivant une méthodologie cohérente depuis 2019 pour permettre des comparaisons annuelles.

• Source de données : Recherche effectuée sur la base de données PubMed le 1er janvier 2026, couvrant l'année 2025.
• Critères de recherche : Termes « machine learning » ou « artificial intelligence » combinés à « 2025 ».
• Filtres d'inclusion/exclusion :
  • Inclus : Recherche en langue anglaise, sujets humains, articles avec résumé.
  • Exclus : Prépublications (preprints), études animales, études robotiques sans IA, revues systématiques, articles sans résumé.
• Évaluation de la maturité : Un classificateur de deep learning basé sur BERT (pré-entraîné et validé sur des données étiquetées manuellement) a été utilisé pour distinguer les publications « matures » de celles qui ne le sont pas.
  • Critère de maturité : La publication doit démontrer que la sortie du modèle a un impact direct et actionnable sur les soins aux patients (fourniture d'informations aux soignants ou aux systèmes automatisés).
• Annotation manuelle : 5 reviewers ont annoté manuellement les publications matures (après exclusion des doublons et des études non pertinentes) selon trois axes :
  1. Spécialité médicale (22 spécialités + catégories Générales, Administratives, Éducation).
  2. Type de données (Image, Texte, Tableaux, Voix/Audio).
  3. Type de modèle (Apprentissage profond/DL, Machine Learning classique/ML, LLM, Modèles de Vision Large/FM-LVM, Modèles Multimodaux/FM-MM, etc.).

3. Contributions Clés

• Analyse longitudinale : Fournit une comparaison détaillée entre 2024 et 2025, mettant en évidence un doublement du volume de publications.
• Transition vers le Multimodal : Documente le basculement des modèles textuels purs vers des Modèles Fondationnels Multimodaux (FM-MM) et des Modèles de Vision Large (LVM).
• Classification par maturité : Utilise une approche hybride (IA + validation humaine) pour filtrer le bruit scientifique et se concentrer sur les recherches ayant un impact clinique potentiel.
• Cartographie des spécialités : Identifie les domaines leaders (Imagerie, Administratif, Général) et l'émergence de l'IA dans des spécialités spécifiques comme l'ophtalmologie et l'oncologie.

4. Résultats Principaux

• Volume de publications :

  • Total des publications trouvées : 49 394 (presque le double des 28 180 de 2024).
  • Publications classées comme « matures » : 3 366.
  • Publications incluses dans l'analyse finale (après exclusions) : 2 966 (contre 1 946 en 2024).

• Répartition par Spécialité Médicale :

  • L'Imagerie/Radiologie domine largement avec 976 publications.
  • Suivent les catégories Administratives (277), Générales (251), Tête et Cou (185) et Éducation (181).
  • D'autres spécialités fortes incluent l'ophtalmologie, la pathologie, la chirurgie et l'oncologie.

• Évolution des Types de Modèles :

  • LLM (Texte) : Restent les plus utilisés (1 019 publications).
  • Modèles Multimodaux (FM-MM) : Augmentation spectaculaire de 25 (en 2024) à 144 (en 2025).
  • Deep Learning (DL) : Forte hausse à 910 publications.
  • Machine Learning Classique (ML) : Pour la première fois, une baisse est observée (173 publications), signalant un abandon des modèles traditionnels au profit de modèles à plus haute capacité.

• Types de Données :

  • Image : Données dominantes (53,9 %).
  • Texte : Secondaire mais majeur (38,2 %).
  • Audio : Augmentation notable (1,2 %), corrélée à l'adoption de modèles multimodaux.
  • Données combinées : 94 publications (3,1 %) utilisent plusieurs types de données (souvent Image + Texte).

• Utilisation des Modèles Fondationnels :

  • Les spécialités cliniques comme l'imagerie (110), la tête et le cou (92), la chirurgie (64) et l'oncologie (55) adoptent de plus en plus les modèles fondationnels pour des tâches allant au-delà de la génération de texte (interprétation d'images, rapports radiologiques).

5. Signification et Conclusion

L'année 2025 marque un point d'inflexion pour l'IA en santé :

1. Maturation du domaine : Le champ passe de l'exploration à la validation rigoureuse et à l'application clinique réelle.
2. Complexité des modèles : Le déclin du ML classique et la montée en puissance des modèles fondationnels multimodaux suggèrent que l'IA commence à mieux refléter la complexité des pratiques cliniques réelles, qui ne se limitent pas au texte.
3. Diversification des données : L'intégration croissante de l'audio et des images dans des modèles unifiés ouvre la voie à des systèmes de diagnostic plus holistiques.
4. Défis futurs : Bien que l'adoption soit forte, les auteurs notent un manque de publications sur l'évaluation prospective des « scribes IA » et des approches « Agentic AI » (IA agentique), qui devraient devenir des axes de recherche majeurs à l'avenir.

En résumé, cette étude confirme que l'IA en santé est en train de mûrir, passant d'une technologie de niche textuelle à une infrastructure multimodale intégrée, prête à transformer les soins cliniques.