18 LLM médicaux passés au crible : les modèles spécialisés posent des diagnostics plus précis que les modèles généralistes

En juillet 2026, une revue systématique des LLM médicaux a été publiée sur arXiv. Ses auteurs y ont testé 18 modèles de langage récents sur des tâches de raisonnement clinique. Principale conclusion : les modèles médicaux spécialisés posent des diagnostics plus précis, tandis que les modèles de langage généralistes se montrent plus performants pour l'aide à la décision médicale et le dialogue clinique avec les patients.

Cinq niveaux de raisonnement médical

Pour mesurer les capacités des modèles de façon systématique, les auteurs se sont appuyés sur la pyramide de Miller, un cadre classique d'évaluation des compétences médicales utilisé dans la formation des professionnels de santé. Ce cadre organise cinq niveaux, du plus simple au plus complexe : de la restitution de faits jusqu'à la gestion autonome de cas cliniques évolutifs.

• Niveau 1 : restitution des faits — le modèle connaît-il l'anatomie, la pharmacologie, les protocoles cliniques ?
• Niveau 2 : compréhension des mécanismes — explique-t-il la physiopathologie et les relations de cause à effet ?
• Niveau 3 : application à un cas — est-il capable d'appliquer ses connaissances à un patient précis ?
• Niveau 4 : diagnostic clinique — établit-il un diagnostic différentiel à partir de données incomplètes ?
• Niveau 5 : gestion du cas — assure-t-il un suivi évolutif et adapte-t-il la stratégie thérapeutique ?

À cette hiérarchie, les auteurs ont associé trois types de raisonnement : déductif (de la règle au cas particulier), inductif (des symptômes observés à une hypothèse) et abductif (recherche de l'explication la plus probable à partir de données incomplètes). Cette approche permet de rapporter les capacités d'un modèle aux tâches réelles de la pratique clinique, et pas seulement à sa précision sur des jeux de test standard.

Que révèle la comparaison des 18 modèles ?

Les chercheurs ont constaté une nette répartition des points forts. Les modèles médicaux spécialisés l'emportent clairement sur les tâches diagnostiques, là où il faut restituer fidèlement les standards cliniques et établir un diagnostic différentiel. Les modèles de langage généralistes, à l'inverse, mènent mieux le dialogue clinique et aident davantage les médecins à peser les options thérapeutiques lorsque les données sont ambiguës.

Pour rendre la comparaison systématique, les chercheurs ont créé, pour la première fois, un benchmark unifié couvrant les cinq niveaux de compétence de la pyramide de Miller. C'est une étape décisive : la plupart des tests médicaux existants évaluent l'exactitude factuelle, c'est-à-dire qu'ils ne couvrent en pratique que les niveaux 1–2 sur cinq. Le nouvel outil permet d'évaluer dans quelle mesure un modèle est prêt pour la pratique clinique réelle, et pas seulement pour réussir un examen médical standard.

Trois obstacles avant l'arrivée en clinique

La revue identifie trois défis ouverts qui empêchent encore les modèles de langage d'être utilisés de façon routinière en médecine.

Les hallucinations restent le problème central. Les modèles exposent avec aplomb des protocoles thérapeutiques qui n'existent pas ou citent des études fictives. En contexte clinique, ces erreurs sont inacceptables : le coût d'une mauvaise prescription n'a rien de comparable avec celui d'une coquille dans un chatbot ordinaire.

Le manque de données freine l'ensemble des progrès du domaine. L'annotation de cas médicaux de qualité mobilise le temps de cliniciens expérimentés, et les jeux de données annotés couvrant tout le spectre des situations cliniques — des maladies rares aux patients polypathologiques — font cruellement défaut.

Le problème d'ancrage (grounding) tient au fait que les modèles relient mal leurs réponses à des sources primaires vérifiables, comme les recommandations cliniques et les études évaluées par les pairs. Sans cela, il est pratiquement impossible pour un médecin de vérifier la recommandation d'un modèle et d'endosser la responsabilité de son application.

Ce que cela signifie

L'écart entre modèles médicaux spécialisés et généralistes n'a rien d'accidentel : il relève d'une tendance systémique. Pour un déploiement réel de l'IA en pratique clinique, il faudra probablement des approches hybrides, associant des modèles spécialisés pour le diagnostic à des modèles généralistes pour la communication et l'aide à la décision médicale. La revue pose un cadre commun pour ces développements et propose le premier benchmark fondé sur des compétences cliniques réelles, et non sur la seule exactitude des réponses aux tests.