Un patient se présente aux urgences pour une douleur abdominale banale. Le scanner réalisé en urgence ne montre rien d’évident. Il rentre chez lui, et revient quelques heures plus tard en arrêt cardio-circulatoire. Un autre patient, suivi en oncologie pour un cancer métastatique, passe un scanner de surveillance hebdomadaire. L’embolie pulmonaire incidente présente sur ses images passera inaperçue pendant plusieurs jours, le temps que le radiologue remonte la pile de comptes rendus.
Ces deux scénarios ne relèvent ni de la fiction ni de la négligence : ils illustrent deux angles morts bien documentés de la radiologie d’urgence. Le syndrome aortique aigu (SAA), qui regroupe la dissection aortique, l’hématome intramural et l’ulcère athéromateux pénétrant, est responsable d’une mortalité de 40 à 50 % dans les 48 premières heures en l’absence de traitement, avec une progression de 1 à 2 % par heure. L’embolie pulmonaire incidente (EPI) chez le patient cancéreux, quant à elle, multiplie par 4 à 8 le risque de mortalité par rapport à la population générale, et reste pourtant sous-diagnostiquée dans la majorité des centres de soins.
Face à ces urgences silencieuses, l’intelligence artificielle (IA) s’impose progressivement comme un outil de détection proactive.
Détecter le syndrome aortique aigu sur scanner sans injection
Le scanner avec injection de produit de contraste est la référence absolue pour diagnostiquer un syndrome aortique aigu. Pourtant, dans de nombreux pays à ressources limitées, mais aussi dans des contextes d’urgence où l’injection est contre-indiquée ou différée, le scanner sans injection reste l’examen initial disponible. Sa sensibilité diagnostique pour le SAA, lorsqu’il est interprété seul par un radiologue, est notoirement faible. Un défi clinique majeur pour une pathologie où chaque heure compte.
Des algorithmes d’IA atteignent une sensibilité de 91 à 94 % et une spécificité de 99 %, avec une valeur prédictive négative proche de 100 %. En d’autres termes, un résultat négatif de l’IA constitue un argument très solide pour exclure un SAA chez un patient dont la présentation clinique initiale oriente vers une autre cause.
L’interprétabilité de ces systèmes constitue un autre atout décisif. Contrairement à une « boîte noire » qui rendrait un score de probabilité sans justification, les algorithmes les plus avancés génèrent des cartes d’activation indiquant au radiologue les zones anatomiques précises ayant motivé l’alerte. Cette transparence renforce la confiance clinique dans la décision.
L’embolie pulmonaire incidente en oncologie : l’IA comme filet de sécurité
En oncologie, le contexte est fondamentalement différent : les patients ne se présentent pas pour une douleur thoracique aiguë. Ils passent des scanners de surveillance programmés, souvent thoraco-abdomino-pelviens (TAP), pour évaluer la réponse à leur traitement. L’embolie pulmonaire incidente n’est pas recherchée. Elle est découverte, ou non, en marge de l’analyse principale.
Or les patients cancéreux ont un risque thromboembolique 12 fois supérieur à la population générale, et jusqu’à 23 fois plus élevé lorsqu’ils reçoivent une chimiothérapie active. La sensibilité des radiologues pour détecter ces embolies incidentes varie, une variation préoccupante pour une pathologie dont la prise en charge rapide réduit significativement la mortalité.
La valeur de l’IA réside ici dans sa capacité à trier en temps réel la liste de travail du radiologue, en faisant remonter immédiatement les cas positifs vers le haut de la pile.
Deux pathologies, une même logique : l’IA comme système d’alerte précoce dans le workflow radiologique
Ce qui frappe, à la lecture de ces données, c’est la convergence des modèles d’intégration. Dans les deux cas, SAA sur scanner sans injection et EPI sur scanner d’oncologie, la valeur ajoutée de l’IA ne réside pas dans le remplacement du radiologue, mais dans une fonction bien définie : l’alerte précoce et le tri intelligent de la liste de travail.
Les deux systèmes fonctionnent selon un paradigme similaire. L’algorithme analyse en temps réel les images au moment où elles arrivent dans le système d’archivage (PACS). Si une pathologie est détectée, une alerte est transmise au radiologue via une notification pop-up, lui indiquant de prioriser cet examen. Les cas négatifs, dont la haute valeur prédictive négative garantit l’absence quasi certaine de pathologie urgente, restent dans la file d’attente normale.
Ce modèle répond à plusieurs contraintes structurelles de la radiologie contemporaine : la croissance continue des volumes d’examens, la fatigue de lecture lors des gardes prolongées, l’absence de couverture radiologique spécialisée dans les établissements de proximité et les heures creuses, et la tendance naturelle à prioriser l’analyse principale (la surveillance oncologique, le bilan traumatologique) au détriment des découvertes incidentes urgentes.
Un point mérite toutefois d’être souligné : la complémentarité entre l’IA et le clinicien fonctionne dans les deux sens. Si l’IA détecte des cas manqués par les radiologues, les radiologues corrigent à leur tour des erreurs de l’algorithme. Dans les études comparatives, les cas mal classés par l’IA sont souvent correctement identifiés par les médecins, et vice versa. Cette symétrie des angles morts plaide pour une approche systématiquement combinée, où aucun des deux acteurs ne travaille en silo.
Limites actuelles et points de vigilance pour une intégration responsable
Si les performances publiées sont prometteuses, un déploiement éclairé exige de garder les yeux ouverts sur plusieurs limites persistantes.
La variabilité anatomique aortique entre populations, ainsi que les différences de protocoles d’acquisition selon les équipements et les établissements, imposent une vigilance lors du choix de la solution par les établissements.
Les faux positifs représentent une contrainte organisationnelle réelle, en particulier pour les algorithmes de détection des EPI. Un taux de faux positifs élevé ne compromet pas la sécurité des patients, mais génère une charge de vérification supplémentaire pour le radiologue, potentiellement contre-productive si elle débouche sur un phénomène de désensibilisation aux alertes. La minimisation des faux positifs est donc un enjeu industriel prioritaire.
La couverture pathologique des algorithmes reste incomplète. Pour le SAA, les ulcères athéromateux pénétrants (PAU) sont systématiquement moins bien détectés que les dissections aortiques, en raison de leur morphologie plus discrète. Pour l’EPI, les embolies sous-segmentaires de signification clinique incertaine génèrent des questions non résolues sur la conduite à tenir. Ces lacunes rappellent que les performances globales d’un algorithme ne dispensent pas d’une analyse fine par sous-groupe pathologique.
Enfin, la question du phénomène de déférence excessive à l’algorithme, décrit en radiologie pédiatrique comme en médecine d’urgence, s’applique pleinement à ce contexte. Un médecin qui abandonne un diagnostic correct parce que l’IA ne l’a pas confirmé commet une erreur potentiellement fatale. La formation des utilisateurs à l’interprétation critique des sorties algorithmiques n’est pas un luxe : c’est une condition sine qua non de la sécurité des patients.
Vers une radiologie d’urgence augmentée
L’IA appliquée à la détection des urgences cardiovasculaires et thromboemboliques en imagerie n’est plus un objet de recherche : c’est un outil cliniquement validé, dont les bénéfices se mesurent en temps gagnées sur le diagnostic et en vies potentiellement sauvées. Sa haute valeur prédictive négative en fait un puissant filet de sécurité pour les patients pris en charge dans des environnements à couverture radiologique limitée.
L’enjeu est l’extension de la couverture pathologique : des algorithmes capables de détecter simultanément plusieurs urgences vitales sur un même examen, avec des performances homogènes sur l’ensemble du spectre, dissection aortique, embolie pulmonaire, mais aussi hémorragie intracérébrale, tamponnade, pneumothorax, constitueraient une véritable révolution du triage radiologique automatisé.
En pratique clinique, l’enjeu est organisationnel et culturel : définir des protocoles d’intégration clairs, former les équipes à l’interprétation critique des alertes algorithmiques, et concevoir des boucles de feedback qui permettent aux algorithmes d’apprendre en continu des erreurs observées en pratique réelle.
Sources
Hu Y, Xiang Y, Zhou YJ, He Y, Lang D, Yang S, Du X, Den C, Xu Y, Wang G, Ding Z, Huang J, Zhao W, Wu X, Li D, Zhu Q, Li Z, Qiu C, Wu Z, He Y, Tian C, Qiu Y, Lin Z, Zhang X, Hu L, He Y, Yuan Z, Zhou X, Fan R, Chen R, Guo W, Xu J, Zhang J, Mok TCW, Li Z, Kalra MK, Lu L, Xiao W, Li X, Bian Y, Shao C, Wang G, Lu W, Huang Z, Xu M, Zhang H. AI-based diagnosis of acute aortic syndrome from noncontrast CT. Nat Med. 2025 Nov;31(11):3832-3844. doi: 10.1038/s41591-025-03916-z. Epub 2025 Aug 20. PMID: 40835970; PMCID: PMC12618251. https://pubmed.ncbi.nlm.nih.gov/40835970/
Ammari S, Camez AO, Ayobi A, Quenet S, Zemmouri A, Mniai EM, Chaibi Y, Franciosini A, Clavel L, Bidault F, Muller S, Lassau N, Balleyguier C, Assi T. Contribution of an Artificial Intelligence Tool in the Detection of Incidental Pulmonary Embolism on Oncology Assessment Scans. Life (Basel). 2024 Oct 22;14(11):1347. doi: 10.3390/life14111347. PMID: 39598146; PMCID: PMC11595865. https://pubmed.ncbi.nlm.nih.gov/39598146/
