L’intelligence artificielle n’est plus une promesse pour le futur : c’est déjà le présent. Dans les services d’imagerie médicale, elle s’est installée discrètement mais durablement, au point que la question n’est plus de savoir si l’IA va transformer la radiologie, mais comment cette transformation se passe vraiment sur le terrain. Occupe-t-elle la place et l’importance que l’on imaginait ? L’enthousiasme initial s’est-il confirmé à l’épreuve de la pratique clinique ?
Loin des synopsis de science-fiction, la réalité de l’IA en imagerie est plus nuancée. Promettant un flux de travail plus rapide et plus efficace, l’IA peut s’appliquer des tâches administratives aux tâches techniques, des postes de secrétaires médicales aux radiologues. Mais les conditions de son impact réel ne sont pas celles que l’on croit.
Alors que le domaine de l’imagerie médicale voit des technologies toujours plus innovantes apparaître, l’IA ouvre de nouvelles voies pour optimiser et affiner le processus de diagnostic. Mais comprendre ce qu’elle est vraiment, et ce qu’elle ne fait pas encore, est la condition préalable à toute utilisation éclairée.
L’IA en imagerie : un terme générique qui cache une grande diversité
L’intelligence artificielle est un terme général qui recouvre plusieurs familles de techniques. La première est l’apprentissage automatique (machine learning) : des modèles mathématiques tirent d’un ensemble de données d’entraînement les informations pertinentes pour apprendre à accomplir une tâche. Une fois le modèle entraîné, il peut être déployé pour traiter de nouvelles données.
Sa sous-catégorie, l’apprentissage profond (deep learning), repose sur le système des réseaux de neurones artificiels possédant plusieurs couches de neurones cachées. Ce type d’apprentissage dispose de très nombreux paramètres et demande en conséquence un volume de données d’entraînement bien plus important. C’est la technologie derrière la plupart des outils d’analyse d’images médicales actuellement disponibles.
Enfin, le traitement automatique du langage naturel (NLP, natural language processing) est une discipline multidisciplinaire mêlant linguistique, informatique et IA. Son objectif est de créer des outils capables d’interpréter et de synthétiser du texte : structuration automatique de comptes rendus, aide à la codification, extraction d’informations cliniques pertinentes depuis des dossiers patients.
En imagerie médicale, ces techniques se traduisent par une automatisation croissante de tâches auparavant manuelles : préparation de l’examen, choix du protocole d’acquisition, analyse et post-traitement des images, maintenance des équipements. La question n’est plus « est-ce possible ? » mais « quelles tâches, dans quelles conditions, avec quels garde-fous ? » Une utilisation éclairée de ces outils, fondée sur une connaissance suffisante de leur fonctionnement et de leurs limites, est un prérequis au bénéfice réel de l’automatisation.
Du rêve à la réalité : l’IA n’est pas là pour remplacer le radiologue
La réalité du terrain recadre les discours les plus spectaculaires. Si l’IA n’est pas présentée comme un substitut au radiologue, c’est bien parce que les données de performance mesurées en conditions réelles le confirment : la combinaison radiologue + IA surpasse systématiquement chacun des deux pris séparément. Ce modèle d’« augmentation », et non de remplacement, s’observe à travers des études portant sur la mammographie, la détection de fractures aux urgences, l’AVC, l’oncologie ou encore l’IRM cardiaque.
La réalité clinique place d’ailleurs l’adoption, l’ergonomie et l’intégration dans les systèmes existants avant la précision algorithmique. Un outil techniquement performant mais mal intégré dans le flux de travail sera moins utile qu’un outil légèrement moins précis mais parfaitement adapté à la pratique quotidienne. C’est là l’un des enseignements majeurs des déploiements réels.
Pour autant, des risques bien réels accompagnent cette montée en puissance. Le premier est celui de la perte de compétence : un recours excessif à l’IA, notamment dans la formation des radiologues en devenir, pourrait éroder les aptitudes fondamentales d’analyse et d’interprétation d’images. L’IA doit toujours être considérée comme un système d’aide à la décision clinique : c’est le professionnel de santé qui reste responsable du diagnostic.
Le second risque est lié à l’opacité des algorithmes. La plupart des systèmes de pointe reposent sur le deep learning, dont les mécanismes internes ne sont pas accessibles aux utilisateurs. Ces « algorithmes boîtes noires » prennent des décisions sans en expliquer les raisons, ce qui soulève des questions légitimes de contrôle, de responsabilité et de confiance. Radiologues, cliniciens et autres professionnels de l’imagerie doivent se familiariser avec ces technologies et contribuer activement à leur développement éthique et à leur mise en œuvre responsable.
La radiographie thoracique : un cas d’école pour la double lecture assistée par IA
Les radiographies thoraciques constituent un terrain d’étude privilégié pour évaluer l’apport de l’IA en pratique clinique. Elles représentent l’un des examens les plus réalisés dans le monde et occupent une part importante du travail quotidien de nombreux radiologues. Pourtant, les erreurs y sont possibles : nodules pulmonaires, pneumonies ou pneumothorax peuvent être manqués, notamment dans des contextes de fort volume ou de fatigue.
La double lecture, pratiquée par deux radiologues, est une méthode établie pour réduire ces erreurs. Mais elle reste coûteuse en temps et en ressources humaines. C’est précisément là qu’un système de double lecture assisté par IA trouve son intérêt.
L’application optimale de cette technologie se situe après la validation du rapport par le radiologue, en mode post-lecture asynchrone. L’assistant IA fonctionne alors comme un « volet de sécurité » supplémentaire, sans perturber le flux de travail. En cas de divergence identifiée, une revue rapide par un second lecteur peut être déclenchée, permettant de notifier le radiologue en temps opportun. Ce modèle de double lecture assistée par IA ne cherche pas à corriger le diagnostic mais à réduire le risque d’omissions sur des éléments clés.
Les radiologues assistés par ces outils ont démontré une amélioration des performances de détection sur un large panel de lésions.
Conclusion : un outil de seconde lecture, un levier pour la compétence du radiologue
L’intelligence artificielle en imagerie médicale n’est pas un mirage : elle apporte des gains de temps mesurables, renforce la confiance dans le diagnostic et permet une présence « après le rapport » sans alourdir le travail quotidien. Sa valeur ajoutée est maximale lorsqu’elle opère dans un rôle de soutien clair : assistance à la détection, alerte sur les omissions, aide à la priorisation des cas urgents.
Mais cette valeur ne se réalise pleinement qu’avec des professionnels formés, capables d’exercer un regard critique sur les sorties algorithmiques et de comprendre les situations où l’IA peut être mise en défaut. Loin d’affaiblir la radiologie, un usage raisonné de l’IA peut en renforcer les pratiques : en libérant les professionnels des tâches répétitives à faible valeur ajoutée, elle leur permet de se concentrer sur ce que l’algorithme ne sait pas encore faire : le raisonnement clinique intégré, la communication avec le patient, l’expertise sur les cas complexes.
Et pour la suite : l’ère des IA génératives
L’étape suivante de cette transformation s’annonce plus profonde encore. L’intelligence artificielle dite générative, celle qui crée du contenu (texte, images, synthèses) plutôt que de se contenter de classer, commence à s’introduire dans les environnements cliniques. Des grands modèles de langage appliqués aux comptes rendus radiologiques, des systèmes capables de générer automatiquement une synthèse structurée à partir de données d’imagerie, ou encore d’assister les cliniciens non spécialistes dans une analyse préliminaire aux urgences, les applications potentielles sont nombreuses.
Mais cette nouvelle vague soulève des défis spécifiques. Du fait de leur nature probabiliste, ces systèmes peuvent générer des résultats inexacts qui paraissent pourtant plausibles, ce que l’on appelle les « hallucinations » algorithmiques. En contexte clinique, ce risque est particulièrement critique. Les praticiens demandent logiquement davantage de transparence sur les mécanismes de ces outils : la fin progressive des algorithmes boîtes noires, au profit de systèmes explicables et traçables, est l’une des conditions de l’acceptabilité clinique.
Pour les radiologues, les éditeurs de logiciels et les institutions réglementaires, l’enjeu des prochaines années sera de définir les cadres de validation, de supervision et de responsabilité adaptés à ces nouveaux outils génératifs. La réflexion engagée sur la gouvernance de l’IA en santé en est encore à ses débuts, mais elle posera les fondations d’une intégration à la fois ambitieuse et responsable. Le radiologue de demain ne sera ni remplacé par l’IA, ni indépendant d’elle : il sera celui qui saura en tirer le meilleur, tout en gardant la main.
Sources
Potočnik J, Foley S, Thomas E. Current and potential applications of artificial intelligence in medical imaging practice: A narrative review. J Med Imaging Radiat Sci. 2023 Jun;54(2):376-385. doi: 10.1016/j.jmir.2023.03.033. Epub 2023 Apr 14. PMID: 37062603. https://pubmed.ncbi.nlm.nih.gov/37062603/
Topff L, Steltenpool S, Ranschaert ER, Ramanauskas N, Menezes R, Visser JJ, Beets-Tan RGH, Hartkamp NS. Artificial intelligence-assisted double reading of chest radiographs to detect clinically relevant missed findings: a two-centre evaluation. Eur Radiol. 2024 Sep;34(9):5876-5885. doi: 10.1007/s00330-024-10676-w. Epub 2024 Mar 11. PMID: 38466390; PMCID: PMC11364654. https://pubmed.ncbi.nlm.nih.gov/38466390/
ECR 2026 https://connect.myesr.org/ecr-2026/programme/?tabref=0
