L'IA remplacera-t-elle le radiologue ? L'opinion de notre PDG Fayçal Djeridane

L’intelligence artificielle (IA), née officiellement en 1956 lors de la Conférence de Dartmouth, connaît depuis peu l’un des développements les plus rapides de l’histoire de l’humanité. Elle s’applique progressivement à de nombreux domaines dont la médecine, et notamment la radiologie. 

La question la plus fréquente en imagerie médicale est la suivante : l’IA sera-t-elle amenée un jour à remplacer le radiologue ? Il s’agit d’une interrogation légitime, souvenons-nous en effet que très récemment, un chatbot médical de Google a réussi l’examen de médecine aux Etats-Unis. Et pourtant, l’équation n’est pas si simple. 

Une observation est certaine : l’IA va simplifier la vie du radiologue. Elle va lui permettre d’automatiser des tâches répétitives et chronophages, comme l’identification des dossiers ou la segmentation de structures anatomiques dans l’image. Le radiologue pourra ainsi gagner un temps précieux qu’il pourra consacrer à des activités à plus forte valeur ajoutée et, surtout, au patient. L’IA va également contribuer à améliorer la précision des diagnostics, en détectant par exemple des micro-calcifications dans les mammographies difficilement identifiables visuellement, ou en réduisant le nombre de faux négatifs. Gain de temps et de précision iront dans le sens de l’évolution démographique du monde actuel, qui tend vers plus de patients et moins de radiologues.  

Au-delà de ces performances, l’IA pourra aussi contribuer à la mise en place de davantage de campagnes de dépistage pour développer la médecine préventive, et réduire les déserts médicaux. 

Toutefois, l’IA n’imite qu’une partie de l’intelligence humaine – apprendre, comprendre, décider, et elle peut commettre des erreurs – comme l’humain d’ailleurs, ce qui est un point commun. Les algorithmes peuvent être biaisés par les données utilisées pour les entraîner, avec parfois un risque de discrimination, notamment à l’encontre des minorités. Les données tendent en effet à provenir de personnes ayant un accès privilégié aux soins de santé, avec tous les problèmes de représentations et de disparités que cela suppose [1]. 

Par ailleurs, la qualité de la labellisation, notamment pour les algorithmes de segmentation, est absolument essentielle pour obtenir des résultats performants. Le fameux adage « Garbage in – Garbage out » prend tout son sens avec les conséquences que l’on peut imaginer. 

La reconstruction d’images par Deep Learning quant à elle, tout en offrant des visualisations de très haute qualité, peut omettre de capturer une tumeur de petite taille dans sa version reconstruite, ou atténuer, voire effacer, des zones et anomalies anatomiques ce qui, sans contrôle visuel de la donnée brute, peut s’avérer critique pour le patient [2]. Le but ultime n’est pas la belle image, mais l’image cliniquement pertinente. 

Ces outils doivent donc rester ce qu’ils sont : un moyen fantastique de gagner en temps et en qualité, sous le contrôle de l’humain. Pour reprendre les propos de Curtis Langlotz [3], l’IA ne remplacera pas le radiologue. Mais le radiologue qui utilise l’IA remplacera celui qui ne l’utilise pas.  

[1] Garin SP, Parekh VS, Sulam J, Yi PH. Medical imaging data science competitions should report dataset demographics and evaluate for bias. Nature medicine. 2023;29(5):1038-1039. 

[2] Antun V, Renna F, Poon C, Adcock B, Hansen AC. On instabilities of deep learning in image reconstruction and the potential costs of AI. Proceedings of the National Academy of Sciences. 2020;117(48):30088-30095. 

[3] Langlotz CP. Will artificial intelligence replace radiologists?. Radiology: Artificial Intelligence. 2019;1(3):e190058.