Un réseau de neurones médical classique voit le patient comme un point sur une carte : il y a la taille, la tension, la prise de sang – et le modèle pose une étiquette unique « sain » ou « malade ». Mais dans un vrai hôpital, la carte est toujours en lambeaux. Une analyse faite lundi, une autre un mois plus tard, et le scanner est d'une autre marque. Un point sur une telle carte, c'est se mentir.
Le nouveau modèle fonctionne autrement. Pour chaque patient, il ne garde pas un point, mais tout un nuage d'états possibles – comme un portrait-robot dont les traits sont légèrement flous. Si les données sont rares, le nuage s'élargit : le modèle dit honnêtement « je ne sais pas ». Si les analyses concordent, le nuage se resserre en une réponse assurée.
Les auteurs ont nourri ce modèle avec des centaines de milliers de dossiers provenant de différents hôpitaux : électrocardiogrammes, images, analyses. Le modèle apprenait à assembler un nuage à partir de fragments et à vérifier si les fragments d'un même patient concordaient. Il s'est avéré que cette approche prédit mieux les maladies que les réseaux de neurones classiques, qui font semblant de tout voir.
La conclusion est simple : l'ignorance honnête vaut mieux qu'une précision illusoire. Un modèle qui se souvient des lacunes ment moins et rate moins souvent la maladie.
tel que rédigé par les auteurs, en anglais arXiv:2604.04175
Healthcare foundation models have largely followed paradigms from natural language processing and computer vision, emphasizing large scale pretraining and deterministic representations over heterogeneous clinical data. However, clinical observations are inherently incomplete, reflecting sparse, irregular, and modality dependent measurements of an underlying physiologic state. In this work, we propose a framework for uncertainty aware foundation modeling that represents each patient not as a point embedding, but as a distribution over plausible latent states. By learning set valued representations and enforcing consistency across partial views of the same patient, the model captures what is invariantly inferable while explicitly encoding epistemic uncertainty. We integrate this formulation with multimodal encoders and scalable self supervised objectives, combining reconstruction, contrastive alignment, and distributional regularization. Across diverse clinical tasks, our approach improves predictive performance, robustness under missing data, and uncertainty calibration relative to strong baselines. These results suggest that modeling what is not observed rather than only what is constitutes a critical inductive bias for healthcare foundation models.
Dans les vrais hôpitaux, jusqu'à 40 % des champs du dossier patient sont vides – analyses non faites, mesures non enregistrées. Les réseaux de neurones classiques, sur de telles données, donnent souvent une réponse avec une confiance de 99 %, alors qu'en réalité ils devinent.