Synergie neuromorphique-XAI inspirée biologiquement pour une intelligence de santé transparente et à faible émission de carbone

Technologies hospitalières plus intelligentes pour les personnes et la planète

Les hôpitaux recourent à l’intelligence artificielle pour lire les signaux cardiaques, repérer les rythmes dangereux et assister les décisions des médecins. Mais les algorithmes puissants d’aujourd’hui se comportent souvent comme des boîtes noires et exigent des processeurs graphiques très gourmands en énergie, ce qui est en contradiction avec les objectifs climatiques et met à rude épreuve les cliniques disposant de ressources électriques limitées. Cet article propose un nouveau type de système de surveillance cardiaque qui vise à la fois la compréhensibilité pour les cliniciens et une bien meilleure efficacité énergétique, ouvrant la voie à une santé numérique plus sûre et moins carbonée.

Pourquoi l’IA médicale actuelle montre ses limites

L’IA médicale moderne peut égaler voire dépasser la performance d’experts pour des tâches comme l’interprétation de radiographies ou la détection d’arythmies. Pourtant, de nombreux modèles fonctionnent dans de grands centres de données ou sur des GPU haut de gamme qui consomment des centaines de watts en continu. Dans une unité de soins intensifs, un système unique basé sur GPU fonctionnant 24 h/24 peut consommer plus de 2 000 kilowattheures par an. Par ailleurs, ces modèles fournissent généralement peu d’informations sur la façon dont ils parviennent à leurs conclusions, ce qui rend la confiance des médecins et des régulateurs difficile. Les outils d’explicabilité existants peuvent aider, mais ils nécessitent souvent eux-mêmes des calculs lourds supplémentaires, augmentant encore la consommation d’énergie et la latence.

Une voie inspirée du cerveau vers une informatique plus douce

Les auteurs explorent l’informatique neuromorphique, un type de matériel et d’algorithmes qui imite la communication des neurones biologiques par de brèves impulsions électriques plutôt que par des signaux continus. Dans leur cadre NEXAI‑Health, les signaux d’électrocardiogramme (ECG) entrants sont convertis en flux rares d’impulsions (spikes), où l’information est portée principalement par le moment d’apparition des impulsions plutôt que par des valeurs numériques denses. Cette conception pilotée par les événements fait que le calcul n’a lieu que lorsque c’est nécessaire, ce qui peut réduire fortement la consommation d’énergie par rapport aux puces conventionnelles qui traitent chaque pas de temps, même lorsque le signal ne change pas.

Dans ce cadre, l’équipe construit des réseaux de neurones impulsionnels (spiking neural networks) adaptés à la classification des battements cardiaques à partir de la base de données MIT‑BIH Arrhythmia bien connue. Ils conçoivent l’encodage de sorte qu’environ 16 % seulement des événements d’impulsion possibles se déclenchent, trouvant un équilibre entre la préservation des caractéristiques médicalement importantes — comme la forme du pic principal du battement et l’intervalle entre les battements — et l’évitement d’activités inutiles. Les simulations suggèrent que cette représentation parcimonieuse basée sur des impulsions peut conserver une information diagnostique élevée tout en réduisant considérablement le nombre d’opérations que le matériel devrait effectuer.

Rendre les décisions des machines plus dignes de confiance

Pour répondre au problème de la boîte noire, les auteurs adaptent une technique d’explication appelée gradients intégrés pour qu’elle fonctionne sur des trains d’impulsions plutôt que sur des entrées numériques standard. En pratique, cela produit des cartes thermiques sur chaque battement qui mettent en évidence quels instants temporels ont le plus influencé la décision du système. Fait crucial, ils intègrent l’explication directement dans le fonctionnement du modèle au lieu de l’ajouter après coup, et ils modulant le niveau de détail de l’explication en fonction d’un budget énergétique. Lorsque beaucoup d’énergie est disponible, le système utilise de nombreuses étapes intermédiaires pour des explications haute fidélité ; quand l’énergie est limitée, il revient à des résumés plus grossiers mais toujours informatifs. Dans les tests, ces explications s’alignaient bien sur les régions cliniquement importantes de l’ECG, comme le pic central aigu et l’onde de récupération, et obtenaient de bons scores sur des mesures quantitatives de fidélité.

Concevoir en tenant compte des limites énergétiques du monde réel

Au‑delà du modèle lui‑même, l’article esquisse un écosystème plus large pour un déploiement durable. Il couple le moteur neuromorphique à un modèle solaire simple et à une batterie, puis utilise un algorithme d’ordonnancement qui décide quelles tâches de surveillance des patients exécuter en fonction à la fois de l’urgence clinique et de l’énergie disponible. Dans des simulations utilisant plus de 100 000 battements cardiaques étiquetés, le cadre a atteint environ 95 % de précision diagnostique — légèrement supérieur à de solides bases en apprentissage profond — tout en réduisant suffisamment la latence simulée et l’utilisation mémoire pour tenir sur des dispositifs modestes de classe edge. Les auteurs estiment d’importantes économies d’énergie par rapport aux systèmes basés sur GPU, bien qu’ils soulignent que ces chiffres sont des projections fondées sur les spécifications publiées de puces neuromorphiques, et non sur des mesures réelles.

Ce que cela signifie pour la santé de demain

Pour les non‑spécialistes, la conclusion principale est que ce travail constitue un plan d’ensemble plutôt qu’un produit abouti. L’étude montre que, du moins en simulations logicielles, un modèle inspiré du cerveau peut lire les signaux cardiaques avec précision, fournir aux médecins des explications visuelles de son raisonnement et, en théorie, fonctionner avec une fraction de l’énergie consommée par l’IA dominante actuelle. Cependant, les auteurs précisent qu’ils n’ont pas encore construit ni testé un dispositif neuromorphique physique, ni mené d’essais cliniques. Pour fournir réellement une IA de soins transparente et à faible émission de carbone, les travaux futurs devront porter ces conceptions sur de véritables puces neuromorphiques, valider la consommation énergétique réelle et démontrer des performances sûres et fiables au chevet du patient.

Citation: Sungheetha, A., R., R.S., Balusamy, B. et al. Biologically inspired neuromorphic-XAI synergy for transparent and low-carbon healthcare intelligence. Sci Rep 16, 10049 (2026). https://doi.org/10.1038/s41598-026-39515-2

Mots-clés: informatique neuromorphique, IA explicable, arythmie ECG, santé économe en énergie, diagnostics bas carbone