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.