De l'abstrait à l'appliqué : Comment Desjardins peut recadrer la protection des brevets pour l'IA dans les soins de santé

Depuis une décennie, les innovateurs à la croisée de l'intelligence artificielle (IA) et de la médecine de précision sont confrontés à un paradoxe tenace : les avancées en matière de logiciels et d'apprentissage automatique qui permettent le dépistage précoce du cancer et la recommandation de traitements personnalisés se voient souvent refuser la protection des brevets aux États-Unis. Dans le cadre imprévisible d'Alice/Mayo, les examinateurs de brevets et les tribunaux classent souvent les modèles d'IA adaptatifs comme des « idées abstraites », les assimilant à des exercices mathématiques plutôt qu'à des avancées technologiques méritant une protection.

Il en résulte un effet dissuasif sur les investissements et la divulgation d'informations dans l'un des domaines les plus prometteurs des soins de santé et, potentiellement, une menace pour le leadership des États-Unis dans le domaine de l'IA biomédicale.

La révision de l'affaire Ex parte Desjardins[i] par l'USPTO le 25 septembre 2025 marque la reconnaissance la plus claire que les innovations en matière d'IA, y compris celles ayant des applications dans le domaine des soins de santé, peuvent être brevetables. La commission d'appel (Appeals Review Panel, ARP) a annulé le rejet au titre de l'article 101 du cadre d'apprentissage continu de DeepMind, estimant qu'il intégrait un concept mathématique dans une application pratique en améliorant la fonctionnalité du modèle lui-même. Il convient de noter que non seulement l'ARP a infirmé la décision de la commission et jugé les revendications brevetables[ii], mais que la décision a également été rédigée par John A. Squires, le nouveau directeur de l'Office américain des brevets et des marques. 

Les demandes rejetées

Les revendications à l'examen concernent un procédé mis en œuvre par ordinateur pour entraîner un modèle d'apprentissage automatique. La revendication indépendante représentative 1[iii] énonce :

1. Procédé mis en œuvre par ordinateur pour entraîner un modèle d'apprentissage automatique,

dans lequel le modèle d'apprentissage automatique comporte au moins une pluralité de paramètres et a été entraîné sur une première tâche d'apprentissage automatique à l'aide de premières données d'entraînement afin de déterminer les premières valeurs de la pluralité de paramètres du modèle d'apprentissage automatique, et dans lequel le procédé comprend :

déterminer, pour chacun des multiples paramètres, une mesure respective de l'importance du paramètre pour la première tâche d'apprentissage automatique, comprenant :

calculer, sur la base des premières valeurs de la pluralité de paramètres déterminées en entraînant le modèle d'apprentissage automatique sur la première tâche d'apprentissage automatique, une approximation d'une distribution a posteriori sur les valeurs possibles de la pluralité de paramètres, attribuer, à l'aide de l'approximation, une valeur à chacun des paramètres de la pluralité de paramètres, la valeur étant la mesure respective de l'importance du paramètre pour la première tâche d'apprentissage automatique et approximant une probabilité que la première valeur du paramètre après l'entraînement sur la première tâche d'apprentissage automatique soit une valeur correcte du paramètre compte tenu des premières données d'entraînement utilisées pour entraîner le modèle d'apprentissage automatique sur la première tâche d'apprentissage automatique ;

obtenir des secondes données d'apprentissage pour entraîner le modèle d'apprentissage automatique sur une seconde tâche d'apprentissage automatique différente ; et entraîner le modèle d'apprentissage automatique sur la seconde tâche d'apprentissage automatique en entraînant le modèle d'apprentissage automatique sur les secondes données d'apprentissage afin d'ajuster les premières valeurs de la pluralité de paramètres pour optimiser les performances du modèle d'apprentissage automatique sur la seconde tâche d'apprentissage automatique tout en protégeant les performances du modèle d'apprentissage automatique sur la première tâche d'apprentissage automatique ;

dans lequel l'ajustement des premières valeurs de la pluralité de paramètres comprend l'ajustement des premières valeurs de la pluralité de paramètres afin d'optimiser une fonction objective qui dépend en partie d'un terme de pénalité basé sur les mesures déterminées de l'importance de la pluralité de paramètres pour la première tâche d'apprentissage automatique.

Analyse juridique

L'ARP a suivi le test en deux étapes Alice/Mayo et le cadre analytique MPEP § 2106.[iv] Le comité a limité son analyse à l'étape 2A (étape 1 d'Alice) car la question était déterminante. À l'étape 2A, volet 1, l'enquête se concentre sur la question de savoir si la revendication énonce une idée abstraite. Ici, l'ARP n'a pas contesté la position de la Commission selon laquelle le calcul d'une approximation à partir de paramètres constitue un calcul mathématique, et donc une idée abstraite.[v] 

Le comité est ensuite passé à l'étape 2A, volet 2, où l'enquête porte sur la question de savoir si l'idée abstraite est intégrée dans une application pratique. C'est sur ce point que l'ARP a exprimé son désaccord avec la Commission pour plusieurs raisons. Premièrement, l'ARP a estimé que les revendications apportaient des améliorations techniques au fonctionnement du modèle d'apprentissage lui-même en préservant les connaissances antérieures tout en réduisant les besoins de stockage et la complexité du système[vi]. Deuxièmement, ces améliorations sont techniques et ne constituent pas de simples limitations du domaine d'utilisation[vii]. 

L'ARP a invoqué la jurisprudence de la Cour d'appel fédérale pour étayer sa décision, notamment l'affaire Enfish, LLC. c. Microsoft Corp., 822 F.3D 1327, 1339 (Fed. Cir. 2016) et McRO, Inc. c. Bandai Namco Games Am. Inc., 837 F.3d 1299, 1315 (Fed. Cir. 2016), qui ont conclu que les améliorations structurelles ou logiques basées sur des logiciels peuvent être brevetables.[viii]L'ARP a spécifiquement mis l'accent sur l'affaire Enfish, affirmant qu'elle figurait « parmi les affaires phares de la Cour d'appel fédérale concernant l'éligibilité des améliorations technologiques » et a cité la décision rendue dans l'affaire Enfish, selon laquelle « les logiciels peuvent apporter des améliorations non abstraites à la technologie informatique, tout comme les améliorations matérielles ». L'ARP a ensuite souligné que le libellé de la spécification décrivant comment l'invention revendiquée utilise moins de capacité de stockage et permet de réduire la complexité du système reflète une amélioration technique brevetable. Chacun des points soulevés par l'ARP au regard de l'étape 2A, volet 2 du test Alice/Mayosembleétablir que les améliorations apportées aux modèles ou algorithmes d'apprentissage automatique constituent en elles-mêmes des améliorations technologiques et sont donc brevetables.

En résumé, Desjardins donne un nouveau ton à l'application de la jurisprudence actuelle de la Cour d'appel fédérale relative à l'article 101 et souligne et reconnaît l'importance de l'IA pour l'innovation technologique aux États-Unis :

Exclure catégoriquement les innovations en matière d'IA de la protection par brevet aux États-Unis compromet le leadership américain dans cette technologie émergente cruciale. Pourtant, selon le raisonnement du comité, de nombreuses innovations en matière d'IA sont potentiellement non brevetables, même si elles sont décrites de manière adéquate et non évidentes, car le comité a essentiellement assimilé tout apprentissage automatique à un « algorithme » brevetable et les éléments supplémentaires restants à des « composants informatiques génériques », sans fournir d'explications adéquates. Les examinateurs et les commissions ne devraient pas évaluer les revendications à un niveau de généralité aussi élevé[ix].

En plus d'annuler le rejet en vertu de l'article 35 U.S.C. 101 et de faire une déclaration audacieuse sur l'importance des technologies liées à l'IA, le directeur Squires replace l'article 35 U.S.C. § 101 dans son rôle approprié dans l'analyse de la brevetabilité, en notant que « [c]ette affaire démontre que les articles §§ 102, 103 et 112 sont les outils traditionnels et appropriés pour limiter la protection par brevet à son champ d'application approprié. Ces dispositions légales devraient être au centre de l'examen. »[x] 

Conclusions et recommandations[xi]

L'IA dans la médecine personnalisée intègre souvent des données multi-omiques, d'imagerie et cliniques, et apprend des patients précédents tout en s'adaptant aux nouveaux. Selon Desjardins, si l'on associe ces méthodes à des améliorations techniques dans l'architecture ou l'entraînement du modèle, on peut affirmer que l'apprentissage continu améliore le fonctionnement du modèle. En outre, les outils d'IA qui améliorent la généralisation, l'interprétation ou l'efficacité de la formation des modèles, ou qui utilisent des architectures hybrides, ou qui réduisent la dérive ou le surajustement parmi les populations de patients, ne sont pas de simples idées abstraites. En résumé, l'IA appliquée à la médecine personnalisée, qui modifie la manière dont l'ordinateur apprend, et pas seulement ce qu'il apprend, pourrait constituer un nouveau refuge sûr pour la brevetabilité de certaines inventions en matière d'IA dans le domaine des soins de santé.

[i] Ex parte Desjardins, appel 2024-000567, 26 septembre 2025.

[ii] L'ARP n'a pas réexaminé ni infirmé le rejet par la Commission des revendications au motif qu'elles étaient évidentes au regard de l'article 35 U.S.C. § 103.

[iii]Ex parte Desjardins, p. 2-3.

[iv]Id. aux pages 4 à 6.

[v]Id. aux pages 6-7.

[vi]Id. aux pages 8-9.

[vii]Id.

[viii]Id.

[ix]Id.à la page 9.

[x]Id., citations internes omises.

[xi] Bien que Desjardins ne fasse pas jurisprudence au même titre qu'une décision rendue par les tribunaux, les décisions de l'ARP sont contraignantes pour l'USPTO en vertu de l'autorité du directeur. Ainsi, les examinateurs et les commissions du PTAB doivent suivre ce raisonnement, à moins qu'il ne soit infirmé par la Cour d'appel fédérale ou par une future décision de l'ARP.

Exclure catégoriquement les innovations en matière d'IA de la protection par brevet aux États-Unis compromet le leadership américain dans cette technologie émergente cruciale. Pourtant, selon le raisonnement du comité, de nombreuses innovations en matière d'IA sont potentiellement non brevetables, même si elles sont décrites de manière adéquate et non évidentes, car le comité a essentiellement assimilé tout apprentissage automatique à un « algorithme » non brevetable et les éléments supplémentaires restants à des « composants informatiques génériques », sans fournir d'explication adéquate. Les examinateurs et les commissions ne devraient pas évaluer les revendications à un niveau de généralité aussi élevé.

Voir l'article référencé