L’imagerie médicale est au cœur du diagnostic. Les radiographies, scanners et IRM génèrent d’immenses volumes de données visuelles sur l’état interne du corps.
Par exemple, plus de 3,5 milliards d’examens radiographiques sont réalisés chaque année dans le monde, et les hôpitaux produisent des pétaoctets de données d’imagerie. Pourtant, de nombreuses images restent non analysées – une estimation indique qu’environ 97 % des données radiologiques ne sont pas exploitées.
Ce décalage s’explique par la charge de travail considérable des radiologues. L’intelligence artificielle (IA), notamment l’apprentissage profond, peut aider en « lisant » automatiquement les images. Les réseaux de neurones convolutionnels, entraînés sur de larges bases d’images, apprennent à reconnaître des motifs de maladies (comme des tumeurs, fractures ou infections) parfois subtils ou difficiles à détecter. En pratique, l’IA peut mettre en évidence des zones suspectes, quantifier les anomalies et même prédire la maladie.
Aujourd’hui, les autorités réglementaires ont déjà validé des centaines d’outils d’IA pour l’imagerie, la FDA recensant plus de 800 algorithmes radiologiques d’ici 2025. Cela reflète un changement majeur : l’IA est intégrée dans la radiographie, le scanner et l’IRM pour accompagner les cliniciens, non pour les remplacer.
Améliorations de l’IA en radiographie
Les radiographies sont les images diagnostiques les plus courantes – rapides, peu coûteuses et largement accessibles. Elles servent à diagnostiquer des maladies thoraciques (pneumonie, tuberculose, COVID-19), des fractures osseuses, des problèmes dentaires, et plus encore.
Cependant, bien interpréter une radiographie demande de l’expérience, et de nombreux établissements manquent de radiologues. L’IA peut alléger cette charge.
Par exemple, des modèles d’apprentissage profond comme le célèbre CheXNet ont été entraînés sur des centaines de milliers de radiographies thoraciques. CheXNet (un réseau CNN à 121 couches) détecte la pneumonie sur radiographies thoraciques avec une précision supérieure à celle des médecins en exercice. En orthopédie, l’analyse radiographique assistée par IA peut identifier automatiquement des lignes de fracture subtiles, souvent manquées dans les cliniques surchargées.
- Tâches clés de l’IA en radiographie : Détecter les maladies pulmonaires (pneumonie, tuberculose, cancer), le pneumothorax et les épanchements ; repérer fractures ou luxations osseuses ; dépister la COVID-19 ou d’autres infections. Les outils d’IA peuvent signaler ces anomalies instantanément, aidant à prioriser les cas urgents.
- Résultats cliniques : Dans certaines études, l’IA a égalé la performance des radiologues. Par exemple, CheXNet a dépassé la précision moyenne des médecins sur les cas de pneumonie.
Cependant, les tests en milieu hospitalier réel montrent des limites : une grande étude a révélé que les radiologues surpassaient encore l’IA actuelle sur les radiographies thoraciques, avec une meilleure précision pour identifier les anomalies pulmonaires. Les outils d’IA présentaient une sensibilité élevée (72–95 % selon les anomalies) mais aussi plus de faux positifs que les médecins.
En résumé, l’IA peut pré-sélectionner les radiographies de manière fiable et signaler les points d’attention, mais le diagnostic final repose toujours sur le jugement humain. Comme le souligne un résumé d’actualités en radiologie, l’IA n’est pas encore un diagnosticien totalement autonome pour les radiographies.
Innovations de l’IA en scanner
Le scanner (tomodensitométrie) produit des images détaillées en coupes transversales du corps et est essentiel pour de nombreux diagnostics (cancer, AVC, traumatismes, etc.). L’IA a montré un grand potentiel sur les scanners :
- Cancer du poumon : Des modèles récents d’IA peuvent détecter et segmenter les tumeurs pulmonaires sur scanner presque aussi bien que des radiologues experts. Une étude de 2025 a utilisé un réseau neuronal 3D U-Net entraîné sur un large jeu de données (plus de 1 500 scanners) pour identifier les tumeurs pulmonaires.
Elle a obtenu une sensibilité de 92 % et une spécificité de 82 % dans la détection tumorale, avec une précision de segmentation proche de celle des médecins (scores Dice ~0,77 contre 0,80). L’IA a accéléré le processus : le modèle a segmenté les tumeurs bien plus rapidement que les praticiens. - Hémorragie cérébrale : En médecine d’urgence, l’IA facilite la prise en charge rapide des AVC. Par exemple, l’algorithme commercial AIDOC signale les hémorragies intracrâniennes sur scanner cérébral. Des études rapportent une sensibilité d’environ 84–99 % et une spécificité de 93–99 % pour la détection des hémorragies cérébrales.
Cela permet d’alerter les médecins en quelques secondes sur des saignements critiques. - Autres usages du scanner : L’IA est aussi appliquée au scanner thoracique pour identifier les signes de pneumonie COVID-19, à l’angiographie CT pour le score calcique, et au scanner abdominal pour détecter lésions hépatiques ou calculs rénaux.
Dans l’exemple du cancer du poumon, le scanner assisté par IA pourrait améliorer la planification thérapeutique et le suivi en mesurant précisément le volume tumoral.
Avantages en scanner : L’IA automatise les tâches fastidieuses (par exemple, l’analyse de volumes 3D à la recherche de nodules), améliore la cohérence et soutient le triage. En traumatologie, elle peut mettre en évidence fractures ou lésions d’organes.
De nombreux outils d’IA sont désormais validés pour aider à la lecture des scanners thoraciques et cérébraux. Par exemple, des agences comme le CMS ont même commencé à rembourser certains comptes rendus d’IA (ex. score de plaques coronaires sur scanners pulmonaires de routine).
Progrès de l’IA en IRM
L’IRM fournit des images à fort contraste des tissus mous (cerveau, colonne vertébrale, articulations, organes). L’IA rend l’IRM plus rapide et plus intelligente :
- Examens plus rapides : Traditionnellement, les IRM de haute qualité prennent du temps, entraînant de longues attentes et un inconfort pour les patients. De nouveaux algorithmes de reconstruction basés sur l’IA (Deep Learning Reconstruction, DLR) réduisent drastiquement la durée des examens en prédisant les données manquantes.
Les experts affirment que le DLR peut rendre les IRM « ultra-rapides » et que cette technologie pourrait devenir la norme sur tous les appareils. Par exemple, des chercheurs britanniques et GE Healthcare ont utilisé l’IA pour permettre à un IRM à faible champ (moins coûteux) de produire des images comparables à un examen classique à haut champ. Cela pourrait rendre l’IRM plus accessible et réduire les files d’attente. - Images plus nettes : L’IA améliore aussi la qualité des images. En apprenant à distinguer les scans bruités des scans clairs, le DLR débruite les images en temps réel.
Cela signifie que les images IRM sont plus nettes, avec moins d’artefacts de mouvement même si les patients bougent. Pour les enfants agités ou les patients traumatisés, les examens plus rapides grâce à l’IA réduisent le besoin de sédation. - Détection des maladies : En diagnostic clinique, l’IA excelle dans l’analyse IRM. Par exemple, en imagerie cérébrale, les modèles pilotés par IA segmentent et classifient les tumeurs avec précision.
L’apprentissage profond peut délimiter les contours tumoraux en 3D, quantifier leur taille et même prédire la génétique ou le grade tumoral à partir de l’image seule. En neurologie, l’IA détecte rapidement AVC, lésions de sclérose en plaques ou malformations. L’IRM musculosquelettique (articulations, colonne) bénéficie aussi de l’IA : elle repère plus vite les déchirures ligamentaires ou les problèmes discaux que les méthodes manuelles.
Globalement, l’IA transforme l’IRM en rendant les examens plus rapides et les données plus riches.
En intégrant les scans patients et les données d’annotation, l’IA permet des mesures 3D qui soutiennent la planification thérapeutique personnalisée. Les hôpitaux expérimentant l’IRM assistée par IA rapportent un flux de travail plus fluide et des interprétations plus cohérentes.
Avantages de l’IA en imagerie médicale
L’IA apporte plusieurs bénéfices à la radiographie, au scanner et à l’IRM :
- Vitesse et efficacité : Les algorithmes d’IA analysent les images en quelques secondes. Ils signalent les anomalies urgentes (opacités pulmonaires, AVC, fractures) pour que les médecins priorisent les soins.
Dans l’étude sur les tumeurs pulmonaires au scanner, l’IA a segmenté les tumeurs bien plus rapidement que le traçage manuel. Une imagerie plus rapide (notamment en IRM) signifie plus de patients pris en charge et des délais d’attente réduits. - Précision et cohérence : Une IA bien entraînée peut égaler ou dépasser la précision humaine sur des tâches spécifiques. Des modèles comme CheXNet (détection de pneumonie) ont montré une sensibilité supérieure à la moyenne des radiologues.
L’IA élimine aussi la variabilité intra-observateur : elle marquera la même anomalie de façon constante à chaque fois. Cette précision quantitative (ex. volume tumoral exact) facilite le suivi. - Expertise étendue : Dans les régions où les radiologues sont rares, l’IA agit comme un assistant expert. Une IA pour radiographie thoracique peut signaler une tuberculose ou une pneumonie suspectée dans des cliniques isolées, élargissant l’accès au diagnostic.
L’équipe de CheXNet à Stanford souligne que l’automatisation de niveau expert pourrait apporter des analyses d’imagerie aux zones sous-équipées. - Informations quantitatives : L’IA peut extraire des motifs cachés. Par exemple, en IRM, certains modèles prédisent des mutations génétiques tumorales ou les pronostics des patients à partir des caractéristiques d’image.
Combiner analyse d’image et données patient pourrait permettre une prédiction précoce des risques de maladie.
Ces avantages stimulent l’adoption : des milliers d’hôpitaux testent désormais des outils d’IA sur leurs plateformes d’imagerie.
Défis et considérations
Malgré ses promesses, l’IA en imagerie présente des limites :
- Variabilité des performances : Les modèles d’IA ne se généralisent pas toujours à tous les contextes. Des études montrent que certains outils fonctionnent bien dans un hôpital mais moins dans un autre.
Par exemple, une étude a montré que certains radiologues s’amélioraient avec l’aide de l’IA, mais d’autres commettaient plus d’erreurs lorsqu’ils l’utilisaient. La sensibilité de l’IA peut être élevée, mais les faux positifs (fausses alertes) posent problème. Les cliniciens doivent donc vérifier les suggestions de l’IA. - Besoin d’expertise : Les radiologues restent indispensables. Les recommandations actuelles insistent sur le rôle d’aide de l’IA, non de remplacement.
La supervision humaine garantit la prise en compte des subtilités et du contexte clinique. L’intégration nécessite de former les radiologues à faire confiance à l’IA tout en la remettant en question. - Données et biais : L’IA est aussi bonne que ses données d’entraînement. Les bases d’images doivent être larges et diversifiées.
Une mauvaise qualité des données, un déséquilibre (ex. surreprésentation de certaines populations) ou des artefacts peuvent fausser les performances de l’IA. La recherche continue est nécessaire pour rendre l’IA robuste et équitable. - Réglementation et coûts : Bien que de nombreux outils d’IA soient validés (approbations FDA), leur mise en œuvre peut être coûteuse et nécessite des adaptations des flux de travail.
Les modèles de remboursement émergent (ex. CMS prend en charge certaines analyses IA sur scanner). Les hôpitaux doivent considérer les coûts logiciels, matériels et de formation. - Confidentialité et sécurité : L’utilisation de l’IA implique des données patients. Des mesures strictes (cryptage, anonymisation) sont essentielles pour protéger la vie privée.
La cybersécurité est aussi cruciale lorsque les systèmes IA sont connectés aux réseaux.
Malgré ces défis, les experts insistent sur une intégration adaptée. Comme le note un rapport de Harvard, une conception soignée des flux de travail assistés par IA peut améliorer la performance humaine.
En pratique, combiner la rapidité de l’IA avec le jugement des cliniciens donne les meilleurs résultats.
Perspectives
L’IA en imagerie médicale progresse rapidement. Les entreprises et groupes de recherche leaders continuent d’améliorer les algorithmes.
Par exemple, les « modèles fondamentaux » (réseaux d’IA très larges entraînés sur des données médicales diversifiées) pourraient bientôt offrir des capacités diagnostiques encore plus étendues. Nous attendons l’automatisation de tâches supplémentaires (ex. segmentation complète d’organes, dépistage multi-pathologies).
À l’échelle internationale, des projets collaboratifs visent à exploiter l’IA pour la santé publique (ex. dépistage de la tuberculose dans les zones à ressources limitées). Les services nationaux de santé (comme le NHS britannique) investissent dans des scanners compatibles IA pour réduire les coûts.
Avec le temps, l’imagerie assistée par IA pourrait devenir la norme : triage rapide en urgence, dépistage automatisé du cancer du poumon, et examens IRM réalisés en quelques secondes.
>>> Cliquez pour en savoir plus : L’IA détecte précocement le cancer à partir d’images
En résumé, l’IA soutient le diagnostic des maladies grâce à la radiographie, au scanner et à l’IRM en améliorant la précision, la rapidité et l’accès.
Si les radiologues restent responsables du diagnostic final, les outils d’IA les aident à voir davantage et plus vite. À mesure que la technologie mûrit, l’IA deviendra un partenaire indispensable en imagerie, améliorant les soins aux patients dans le monde entier.
