IA aujourd’hui et demain : utilisation des LLM et du RAG en ophtalmologie
L’intelligence artificielle transforme progressivement l’ophtalmologie, et les grands modèles de langage (LLM) comme ChatGPT, Gemini ou Claude en deviennent des acteurs incontournables. Si nombre d’ophtalmologistes ont déjà expérimenté ces outils pour rédiger des comptes rendus ou pour rechercher des informations, l’expérience révèle autant de promesses que de limites.
Figure 1. Concordance des LLM avec les Preferred Practice Patterns® de l’American Academy of Ophthalmology. Nombre de réponses concordantes (vert), indéterminées (jaune) et discordantes (rouge) pour cinq modèles (GPT-o1, GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro, DeepSeek R1-Lite-Preview) ; environ 90 % de concordance pour GPT-o1/-4o/Claude, plus faible pour Gemini et DeepSeek[7]. (Graphique original réalisé par les auteurs à partir des données de l’article cité)
Figure 2 . Workflow technique d’une architecture RAG en ophtalmologie.
La requête de l’utilisateur est d’abord traitée par une couche de prompt engineering, suivie d’un embedding et d’une recherche vectorielle dans une base documentaire spécialisée. Les passages pertinents sont sélectionnés et envoyés au LLM (ChatGPT-5) qui génère une réponse contextualisée. Celle-ci est ensuite soumise à un filtrage de sécurité médicale avant d’être restituée sous forme de réponse claire.
Figure 3. ArtBrains à MaculArt 2025 (Paris).
A. Vue d’ensemble de l’organisation d’ArtBrains et de son programme RAG appliqué à l’ophtalmologie. B. Présentation des résultats préliminaires des grands modèles de langage pour la classification de la rétinopathie diabétique. C. Le Dr Carl-Joe Mehanna expose notre retour d’expérience sur les RAG et l’éducation des patients.
D. Le Pr Eric Souied partage son retour d’expérience clinique sur LucIA, assistant virtuel fondé sur une RAG pour ses patients.
Figure 4. Exemple de conversation entre ASSORT et un patient.
