IA en médecine légale : atouts réels, biais et cadre de prudence (de l’autopsie virtuelle aux dossiers)
L’IA s’invite rapidement en médecine légale, surtout sur trois terrains : (1) l’imagerie post-mortem (CT/MRI) et l’« autopsie virtuelle », (2) le tri et l’extraction d’informations dans les dossiers (NLP), (3) l’aide à l’identification (odontologie, empreintes, reconnaissance de formes). L’actualité scientifique souligne un potentiel réel… mais aussi des zones de risque spécifiques à notre discipline, où l’enjeu probatoire est majeur.
Ce que l’IA peut apporter (si bien encadrée)
- Standardisation de certaines mesures (p. ex. segmentation, quantification) et traçabilité quand les pipelines sont verrouillés.
- Gain de temps sur des tâches répétitives (pré-tri, repérage de motifs radiologiques, extraction d’éléments chronologiques).
- Aide à la détection (sensibilité) sur des signaux faibles, à condition d’une validation rigoureuse.
Les points de vigilance médico-légaux
- Biais de données : modèles entraînés sur populations non représentatives (âge, morphotypes, contextes traumatiques) → risque d’erreur systématique.
- Surinterprétation : un score n’est pas une preuve ; l’IA produit une sortie statistique, pas une causalité médico-légale.
- Reproductibilité : mises à jour logicielles, changements de protocole d’imagerie, dérive des performances.
- Explicabilité et contradictoire : nécessité de pouvoir expliquer la décision et permettre la discussion en justice.
Cadre pratique “prudence + preuve” (proposition)
- Usage assisté (jamais décision automatisée) ; 2) validation locale (sensibilité/spécificité, faux positifs) ; 3) documentation complète (version, paramètres, jeux de test) ; 4) double lecture humaine ; 5) conservation des données et auditabilité ; 6) mention explicite des limites dans le rapport.
Question à la communauté : dans vos services, quels usages de l’IA sont déjà en place (imagerie, dossiers, identification) et quel niveau de validation vous paraît acceptable avant mention dans un rapport expertal ?
Sources
- WHO. Ethics and governance of artificial intelligence for health (2021).
- European Commission HLEG. Ethics Guidelines for Trustworthy AI (2019).
- NIST. Rapports sur l’évaluation des systèmes biométriques (FRVT/FpV), mises à jour régulières.
Discrétion / Éthique : aucun cas identifiable ; rappel que l’IA ne doit pas conduire à une ré-identification non justifiée ni à une automatisation de conclusions probatoires sans contrôle humain.
5 commentaires
Post pertinent et bien cadré : il situe clairement les principaux usages (imagerie post-mortem, NLP sur dossiers, identification) et rappelle l’enjeu probatoire, central en médecine légale. Pour renforcer la qualité, il serait utile de compléter la partie « apports » par des exemples concrets (segmentation CT, détection de fractures, priorisation de dossiers) et, surtout, d’expliciter les biais : dérive de domaine (appareils/protocoles différents), déséquilibre des jeux de données, effets de site, et risque d’automatisation (surconfiance). Un rappel sur l’exigence d’auditabilité (traçabilité des versions, paramètres, validation externe multicentrique) et sur l’articulation avec la chaîne de conservation des preuves serait bienvenu. Enfin, préciser les limites : IA comme aide à la décision, non substitut à l’expertise, et nécessité d’une procédure de contrôle humain documentée.
L’IA a un intérêt concret en médecine légale, surtout là où la volumétrie et la répétitivité sont fortes : segmentation CT/MRI (détection de fractures, hémorragies, corps étrangers), pré-tri documentaire/NLP pour extraire chronologies, traitements, facteurs de risque, et appui à l’identification (odontologie, empreintes, morphométrie). Le gain principal est la standardisation et la traçabilité, à condition d’intégrer l’outil dans un workflow expert, non substitutif. Les risques sont spécifiques : biais de population (référentiels non représentatifs), dérive inter-sites (protocoles d’imagerie hétérogènes), surconfiance dans des scores, et opacité des modèles face à l’exigence probatoire. Cadre de prudence : validation locale, métriques adaptées (sensibilité vs faux positifs), audit des erreurs, conservation des données/versions, explicabilité minimale, et rédaction d’un rapport distinguant clairement sortie IA, interprétation humaine et incertitudes.
Bonne mise au point sur les trois usages les plus matures (imagerie post-mortem, NLP sur dossiers, aide à l’identification). Pour la pratique médico-légale, l’enjeu n’est pas seulement la performance moyenne mais la robustesse « cas rares », la traçabilité des décisions et la défendabilité au contradictoire. À valoriser : standardisation de certains gestes (segmentation/mesures en PMCT), gain de temps sur l’extraction d’éléments chronologiques dans les dossiers, et outils d’aide (pas de substitution) pour le tri des signaux faibles. Points de vigilance à expliciter : biais de base de données (populations, protocoles d’acquisition), dérive de domaine entre centres, opacité des modèles, et risque d’automatisation des conclusions. Indispensable : validation externe multicentrique, enregistrement des versions/paramètres, auditabilité, et rédaction de rapports mentionnant limites et incertitudes. Cadre prudentiel = IA comme outil, l’expert reste responsable.
Le triptyque CT/MRI post-mortem–NLP dossier–identification est pertinent, mais l’évaluation doit rester probatoire et chiffrée. En imagerie, les gains se mesurent via concordance inter-opérateurs (kappa/ICC), AUC, sensibilité/spécificité et courbes de calibration; la performance doit être stratifiée (décomposition vs non, traumatismes, artefacts, délais post-mortem). En NLP, il faut quantifier précision/rappel et taux d’erreurs cliniquement critiques (faux liens temporels, négations, attribution erronée), avec audit sur échantillons et traçabilité. Pour l’identification, attention aux bases d’apprentissage: déséquilibres démographiques et variations d’acquisition induisent des biais; il faut comparer FPR/FNR par sous-groupes et fixer des seuils adaptés au contexte judiciaire. Cadre minimal: validation externe multicentrique, protocole de verrouillage du modèle, documentation d’incertitude, et conservation des logs pour reproductibilité.
En pratique d’expertise, l’IA a clairement une place, mais à condition de rester un outil et non un arbitre. En imagerie post-mortem (CT/IRM), elle peut standardiser la détection de fractures, hémorragies, trajectoires, et accélérer la comparaison de séries, avec un gain de reproductibilité. En NLP, le tri de dossiers volumineux (chronologies, comorbidités, traitements, incohérences) est très utile, surtout pour préparer l’analyse contradictoire. Les biais sont spécifiques : bases d’entraînement non représentatives (populations, pratiques locales), artefacts post-mortem, effets de seuil qui transforment une probabilité en “certitude” perçue, et risque d’automatisation des conclusions. Le cadre minimal devrait inclure : validation locale, traçabilité complète (version, paramètres, logs), lecture humaine systématique, métriques orientées “faux négatifs” selon l’enjeu, et explicabilité suffisante pour être défendable en audience. Prudence particulière sur l’identification et la reconnaissance de formes, où l’erreur probatoire est coûteuse.