En résumé : l’IA ne remplacera pas complètement les radiologues de sitôt ; elle automatise principalement des tâches spécifiques comme le triage, la détection de schémas et les mesures, tout en faisant évoluer leur rôle vers la supervision, une communication claire et la prise de décisions cruciales. Si les radiologues ne s’adaptent pas aux flux de travail intégrant l’IA, ils risquent d’être marginalisés, mais la responsabilité clinique demeure entre les mains des humains.
Points clés à retenir :
Évolution des flux de travail : Attendez-vous à une montée en puissance rapide des fonctions de triage, de mesure et de soutien par « second lecteur ».
Responsabilité : Les radiologues restent les signataires responsables des rapports cliniques assistés par l'IA.
Validation : Ne faites confiance aux outils que s'ils ont été testés sur différents sites, scanners et populations de patients.
Résistance aux utilisations abusives : réduit le bruit des alertes et protège contre les pannes silencieuses, la dérive et les biais.
Pérenniser l'avenir : Apprenez les modes de défaillance de l'IA et participez à la gouvernance pour superviser un déploiement sûr.
Articles que vous pourriez aimer lire après celui-ci :
🔗 L'IA remplacera-t-elle les médecins : l'avenir de la médecine
Un regard réaliste sur le rôle de l'IA dans la pratique médicale moderne.
🔗 Comment l'IA aide l'agriculture
Comment l'IA améliore les rendements, la planification et la prise de décision en agriculture.
🔗 Pourquoi l'IA est mauvaise pour la société
Des risques tels que les préjugés, la perte d'emploi, la surveillance et les préjudices liés à la désinformation.
🔗 Comment l'IA détecte les anomalies
Comment les modèles signalent les comportements inhabituels dans les données et les systèmes.
Un constat sans détour : ce que fait l’IA en ce moment ✅
L'IA en radiologie est aujourd'hui surtout performante dans des tâches très spécifiques :
-
Signalement des résultats urgents pour que les études alarmantes soient traitées en priorité (triage) 🚨
-
Recherche de « schémas connus » tels que nodules, saignements, fractures, embolies, etc.
-
Mesurer des choses que les humains peuvent mesurer mais qu'ils détestent mesurer (volumes, tailles, variations de temps) 📏
-
Aider les programmes de dépistage à gérer le volume de demandes sans épuiser le personnel
Et il ne s'agit pas que d'un effet de mode : l'IA en radiologie, réglementée et utilisée en milieu clinique, représente déjà une part importante du marché des dispositifs d'IA clinique . Une étude taxonomique de 2025 portant sur les dispositifs médicaux d'IA/ML autorisés par la FDA (autorisations répertoriées par la FDA au 20 décembre 2024 ) a révélé que la plupart des dispositifs utilisent des images comme données d'entrée et que la radiologie constitue le principal comité d'évaluation pour la majorité d'entre eux. Cela en dit long sur le domaine dans lequel l'« IA clinique » se développera en premier. [1]
Mais « utile » ne signifie pas « remplacer un médecin de manière autonome ». Niveaux, risques et responsabilités différents…
Pourquoi le concept de « remplacement » est souvent erroné 🧠
La radiologie ne se résume pas à « regarder des pixels et à identifier une maladie ».
En pratique, les radiologues font des choses comme :
-
Déterminer si la question clinique correspond bien à l'examen prescrit
-
En tenant compte des antécédents, des artefacts et des cas limites complexes, il convient de prendre en considération les données antérieures, les antécédents chirurgicaux et les artefacts.
-
Appeler le médecin traitant pour clarifier la situation.
-
Recommander les prochaines étapes, et non se contenter de constater un résultat.
-
Assumer la responsabilité médico-légale du rapport
Voici une petite scène du genre « ça a l'air ennuyeux, mais c'est tout » :
Il est 2 h 07. Scanner cérébral. Artefact de mouvement. L'anamnèse mentionne des « vertiges », le compte rendu infirmier une « chute », et la liste des anticoagulants est alarmante.
Il ne s'agit pas de « repérer les pixels d'hémorragie ». Il s'agit de prioriser les interventions, de contextualiser, d'évaluer les risques et de définir clairement la marche à suivre.
C’est pourquoi, dans le cadre d’un déploiement clinique, le résultat le plus fréquent est le suivant : l’IA soutient les radiologues au lieu de les faire disparaître.
Plusieurs sociétés de radiologie ont été explicites quant à la dimension humaine : une déclaration d'éthique multisociété (ACR/ESR/RSNA/SIIM et autres) présente l'IA comme quelque chose que les radiologues doivent gérer de manière responsable, y compris le fait que les radiologues restent en fin de compte responsables des soins aux patients dans un flux de travail soutenu par l'IA. [2]
Qu'est-ce qui caractérise une bonne version d'IA pour la radiologie ? 🔍
Si vous devez évaluer un système d'IA (ou décider si vous pouvez lui faire confiance), la « bonne version » n'est pas celle qui présente la démonstration la plus impressionnante. C'est celle qui résiste à l'épreuve du terrain.
Un bon outil d'IA en radiologie possède généralement les caractéristiques suivantes :
-
Périmètre clair : il excelle dans un domaine précis (ou dans un ensemble de domaines bien définis).
-
Validation rigoureuse – testée sur différents sites, scanners et populations.
-
Adaptation aux flux de travail - s'intègre au PACS/RIS sans que personne ne s'en plaigne
-
Faible niveau de bruit – moins d'alertes indésirables et de faux positifs (ou vous les ignorerez)
-
Des explications utiles – pas une transparence parfaite, mais suffisantes pour vérifier
-
Gouvernance – surveillance des dérives, des défaillances et des biais inattendus
-
Responsabilité – clarté sur les signataires, les responsables des erreurs et les personnes chargées de les signaler.
De plus, l'approbation de la FDA (ou équivalent) est un signal significatif, mais pas une garantie absolue. Même la liste des dispositifs intégrant l'IA publiée par la FDA est présentée comme une ressource de transparence non exhaustive , et sa méthode d'inclusion dépend en partie de la manière dont les dispositifs décrivent l'IA dans leurs documents publics. En d'autres termes : une évaluation locale et un suivi continu restent nécessaires. [3]
Ça a l'air ennuyeux… et l'ennui est une bonne chose en médecine. L'ennui est sans danger 😬
Tableau comparatif : options d’IA courantes rencontrées par les radiologues 📊
Les prix sont souvent établis sur devis, je préfère donc laisser cette partie vague (car c'est généralement le cas).
| Outil / catégorie | Idéal pour (public) | Prix | Pourquoi ça marche (et le piège…) |
|---|---|---|---|
| IA de triage pour les signes aigus (AVC/hémorragie/EP, etc.) | Hôpitaux fortement orientés vers les urgences, équipes de garde | Sur la base d'un devis | Accélère la priorisation 🚨 – mais les alertes peuvent devenir intempestives si elles sont mal paramétrées. |
| IA d'aide au dépistage (mammographie, etc.) | Programmes de dépistage, sites à forte fréquentation | Par étude ou entreprise | Améliore le volume et la cohérence, mais doit être validé localement. |
| IA de détection des radiographies thoraciques | Radiologie générale, systèmes de soins d'urgence | Variable | Idéal pour les tendances courantes, mais ne détecte pas les valeurs aberrantes rares. |
| Outils de tomodensitométrie pour nodules pulmonaires/thorax | Parcours de soins en pneumologie-oncologie, consultations de suivi | Sur la base d'un devis | Idéal pour suivre l'évolution dans le temps - peut surestimer de minuscules zones « sans importance ». |
| détection des fractures musculo-squelettiques | urgences, traumatologie, pipelines orthopédiques | Par étude (parfois) | Excellent pour repérer les motifs répétitifs 🦴 - le positionnement et les artefacts peuvent le perturber. |
| Rédaction de rapports/flux de travail (IA générative) | Services très occupés, rapports à forte composante administrative | Abonnement / entreprise | Gain de temps de frappe ✍️ - à contrôler rigoureusement pour éviter les absurdités. |
| Outils de quantification (volumes, score calcique, etc.) | Équipes d'imagerie cardiaque et de neuro-imagerie | Module complémentaire / entreprise | Assistant de mesure fiable – nécessite toujours un contexte humain |
Petit aveu : le prix reste flou car les vendeurs adorent les prix vagues. Ce n'est pas une façon de l'éviter, c'est le marché 😅
Là où l'IA peut surpasser l'humain moyen dans des domaines précis 🏁
L'IA excelle surtout lorsque la tâche consiste à :
-
Très répétitif
-
Stabilité de motif
-
Bien représenté dans les données d'entraînement
-
Facile à évaluer par rapport à une norme de référence
Dans certains processus de dépistage, l'IA peut jouer le rôle d'un regard extérieur très fiable. Par exemple, une vaste évaluation rétrospective d'un système d'IA pour le dépistage du cancer du sein a révélé une meilleure performance moyenne de comparaison entre lecteurs (mesurée par l'AUC dans une étude portant sur un seul lecteur) et même une réduction simulée de la charge de travail dans un système de double lecture de type britannique. C'est là le principal avantage : un travail cohérent et à grande échelle. [4]
Mais encore une fois… il s’agit d’une assistance au flux de travail, et non d’une « IA qui remplace le radiologue responsable du résultat ».
Là où l'IA peine encore (et ce n'est pas un détail) ⚠️
L'IA peut être impressionnante tout en présentant des lacunes importantes sur le plan clinique. Principaux points faibles :
-
Cas hors distribution : maladies rares, anatomie inhabituelle, particularités post-opératoires
-
Cécité au contexte : les résultats d'imagerie sans le contexte peuvent induire en erreur
-
Sensibilité aux artefacts : mouvement, métal, paramètres de scanner inhabituels, synchronisation du contraste… des trucs sympas
-
Faux positifs : une seule mauvaise journée d’IA peut engendrer du travail supplémentaire au lieu d’en faire gagner du temps.
-
Les défaillances silencieuses : le type dangereux - lorsqu'elles passent à côté de quelque chose sans le dire.
-
Dérive des données : les performances varient en fonction des changements de protocoles, de machines ou de populations.
Ce dernier point n’est pas théorique. Même les modèles d’imagerie les plus performants peuvent dériver lorsque la méthode d’acquisition des images change (remplacement du matériel du scanner, mises à jour logicielles, ajustements de reconstruction), et cette dérive peut modifier la sensibilité et la spécificité cliniquement pertinentes, ce qui peut avoir des conséquences néfastes. C’est pourquoi le « suivi en production » n’est pas un simple slogan : c’est une exigence de sécurité. [5]
De plus — et c’est un point crucial —, la responsabilité clinique ne se transfère pas à l’algorithme . Dans de nombreux cas, le radiologue reste le signataire responsable, ce qui limite considérablement le degré d’intervention possible. [2]
Le métier de radiologue qui se développe, et non qui se réduit 🌱
Paradoxalement, l'IA peut rendre la radiologie plus « médicale », et non l'inverse.
Avec l'essor de l'automatisation, les radiologues consacrent souvent plus de temps à :
-
Cas difficiles et patients présentant des problèmes multiples (ceux que l'IA déteste)
-
Protocole, pertinence et conception du parcours de soins
-
Expliquer les résultats aux cliniciens, aux comités de cancérologie et parfois aux patients 🗣️
-
Radiologie interventionnelle et procédures guidées par l'image (très peu automatisées)
-
Leadership de qualité : suivi des performances de l’IA, promotion d’une adoption sécurisée
Il y a aussi le rôle de « méta » : il faut bien que quelqu’un supervise les machines. C’est un peu comme le pilotage automatique : on a toujours besoin de pilotes. Métaphore un peu bancale, peut-être… mais vous comprenez l’idée.
L'IA qui remplace les radiologues : la réponse sans détour 🤷 🤷 🤷 🤷
-
À court terme : cela remplace certaines tâches (mesures, triage, certains modèles de relecture), et modifie légèrement les besoins en personnel.
-
À plus long terme : cela pourrait automatiser en grande partie certains processus de dépistage, mais la plupart des systèmes de santé nécessitent toujours une supervision humaine et une procédure d’escalade.
-
Scénario le plus probable : les radiologues associés à l’IA sont plus performants que chacun pris individuellement, et le travail évolue vers la supervision, la communication et la prise de décisions complexes.
Étudiants en médecine ou jeunes médecins : comment préparer l’avenir (sans paniquer) 🧩
Quelques mesures pratiques qui peuvent vous aider, même si vous n'êtes pas un expert en technologie :
-
Apprenez comment l'IA échoue (biais, dérive, faux positifs) - c'est la culture clinique maintenant [5]
-
Familiarisez-vous avec les bases des flux de travail et de l'informatique (PACS, rapports structurés, assurance qualité).
-
Développez de solides habitudes de communication : la dimension humaine prend alors toute sa valeur.
-
Si possible, rejoignez un groupe d'évaluation ou de gouvernance de l'IA dans votre hôpital.
-
Privilégiez les domaines à fort contexte et aux procédures complexes (radiologie interventionnelle, neurologie complexe, imagerie oncologique).
Et oui, soyez la personne qui peut dire : « Ce modèle est utile ici, dangereux là, et voici comment nous le surveillons. » Cette personne devient difficile à remplacer.
Résumé + aperçu rapide 🧠✨
L'IA va indéniablement transformer la radiologie, et prétendre le contraire relève de la pure hypocrisie. Mais le discours alarmiste selon lequel « les radiologues sont condamnés » n'est en réalité qu'un appât à clics déguisé en article de laboratoire.
Prise rapide
-
L'IA est déjà utilisée pour le triage, l'aide à la détection et l'assistance à la mesure.
-
Il excelle dans les tâches restreintes et répétitives, mais se montre fragile face aux rares situations cliniques complexes.
-
Les radiologues ne se contentent pas de détecter des schémas ; ils les contextualisent, communiquent et assument leurs responsabilités.
-
L’avenir le plus réaliste, c’est que les radiologues qui utilisent l’IA remplacent ceux qui la refusent, et non que l’IA remplace complètement la profession. 😬🩻
FAQ
L'IA remplacera-t-elle les radiologues dans les prochaines années ?
Pas totalement, et pas dans la plupart des systèmes de santé. L'IA en radiologie actuelle est principalement conçue pour automatiser des fonctions spécifiques comme le triage, la détection de schémas et les mesures, plutôt que pour prendre en charge l'ensemble du processus diagnostique. Les radiologues continuent de fournir le contexte clinique, de gérer les cas particuliers, de communiquer avec les équipes référentes et de demeurer responsables des comptes rendus sur le plan médico-légal. Le changement le plus immédiat concerne la refonte des flux de travail, et non un remplacement à l'échelle de la profession.
Quelles tâches en radiologie l'IA effectue-t-elle concrètement actuellement ?
La plupart des outils déployés se concentrent sur des tâches ciblées et répétitives : identifier les examens urgents pour les prioriser, détecter les schémas récurrents (comme les nodules ou les hémorragies) et générer des mesures ou des comparaisons longitudinales. L’IA est également utilisée comme « seconde lecture » dans certains parcours de soins de dépistage afin d’optimiser la gestion des volumes et d’assurer la cohérence des données. Ces systèmes peuvent réduire les temps d’attente et les tâches manuelles fastidieuses, mais ils nécessitent toujours une vérification humaine.
Qui est responsable si un rapport généré par une IA est erroné ?
Dans de nombreux flux de travail réels, le radiologue demeure le signataire responsable, même lorsque l'IA contribue au triage ou à la détection. La responsabilité clinique n'est pas automatiquement transférée à l'algorithme ou au fournisseur. En pratique, les radiologues doivent considérer les résultats de l'IA comme une aide à la décision, les vérifier et les documenter de manière appropriée. Des procédures d'escalade et une gouvernance claires permettent de définir la marche à suivre lorsque les résultats de l'IA sont en conflit avec le jugement clinique.
Comment savoir si un outil d'IA est fiable pour mon hôpital ?
Une approche courante consiste à évaluer les outils selon leur réalisme clinique plutôt que leurs performances lors des démonstrations. Il est important de vérifier que leur portée est clairement définie, qu'ils ont été validés sur plusieurs sites, scanners et populations de patients, et qu'ils démontrent leur fiabilité dans le respect de vos protocoles et contraintes de qualité d'image. L'intégration au flux de travail (compatibilité PACS/RIS) est aussi importante que la précision, car un modèle « performant » qui perturbe la lecture risque de ne pas être utilisé. Un suivi continu demeure essentiel.
L’appellation « approuvé par la FDA » (ou réglementé) signifie-t-elle que le modèle est sûr et fiable ?
L'homologation est un signal important, mais elle ne garantit pas des performances optimales dans votre environnement spécifique. Les résultats réels peuvent varier en fonction des mises à jour des scanners, des modifications de protocoles et des différences de parc de machines. L'évaluation locale et le suivi de la production restent essentiels, même pour les outils homologués. Considérez l'homologation comme une base de référence, puis validez-la dans votre contexte et surveillez les dérives.
Quels sont les principaux échecs de l'IA en radiologie dans la pratique ?
Les modes de défaillance courants incluent les cas hors distribution (maladies rares, anatomie inhabituelle), la cécité contextuelle, la sensibilité aux artefacts (mouvements, présence de métal, décalage temporel du contraste) et les faux positifs, sources de surcharge de travail. Les problèmes les plus graves sont les « défaillances silencieuses », où le modèle ne détecte pas certaines anomalies sans signe avant-coureur. Les performances peuvent également varier en fonction des conditions d'acquisition ; la surveillance et les garde-fous sont donc essentiels à la sécurité des patients et non un simple avantage
Comment les services peuvent-ils réduire la fatigue liée aux alertes et éviter un triage par IA bruyant ?
Commencez par ajuster les seuils en fonction de vos priorités cliniques et de vos effectifs réels, plutôt que de rechercher une sensibilité maximale théorique. Mesurez le taux réel de faux positifs et définissez des règles d'escalade afin que les alertes de l'IA déclenchent des actions cohérentes et gérables. De nombreux processus bénéficient d'une validation par étapes (IA → vérification par un manipulateur en radiologie/technicien → radiologue) et d'un mécanisme de sécurité explicite en cas d'indisponibilité de l'outil. Un faible niveau de bruit est souvent essentiel au bon fonctionnement de l'IA au quotidien.
Si l'idée que l'IA puisse remplacer les radiologues est exagérée, comment les internes peuvent-ils se préparer à l'avenir ?
Visez à devenir la personne capable de superviser en toute sécurité les flux de travail basés sur l'IA. Apprenez à identifier les principaux modes de défaillance tels que les biais, la dérive et la sensibilité aux artefacts, et familiarisez-vous avec les fondamentaux de l'informatique comme les systèmes PACS, la création de rapports structurés et les processus d'assurance qualité. Vos compétences en communication prendront de l'importance à mesure que les tâches routinières s'automatisent, notamment lors des réunions de concertation pluridisciplinaires en oncologie et des consultations à enjeux élevés. Intégrer un groupe d'évaluation ou de gouvernance est un moyen concret de développer une expertise durable.
Références
-
Singh R. et al., npj Digital Medicine (2025) - Une analyse taxonomique de 1 016 autorisations de dispositifs médicaux d'IA/ML délivrées par la FDA (liste mise à jour au 20 décembre 2024), soulignant la fréquence à laquelle l'IA médicale s'appuie sur l'imagerie et la fréquence à laquelle la radiologie constitue le principal comité d'évaluation. Lire la suite
-
Déclaration multisociétés hébergée par l'ESR - Un cadre éthique intersociétés pour l'IA en radiologie, mettant l'accent sur la gouvernance, le déploiement responsable et la responsabilité continue des cliniciens dans les flux de travail assistés par l'IA. En savoir plus
-
Page de la FDA américaine sur les dispositifs médicaux dotés d'IA : liste de transparence et notes méthodologiques de la FDA concernant les dispositifs médicaux dotés d'IA, y compris des mises en garde sur le champ d'application et les critères d'inclusion. En savoir plus
-
McKinney SM et al., Nature (2020) - Évaluation internationale d'un système d'IA pour le dépistage du cancer du sein, incluant une analyse comparative des lecteurs et des simulations de l'impact de la charge de travail dans un contexte de double lecture. Lire la suite
-
Roschewitz M. et al., Nature Communications (2023) - Recherche sur la dérive des performances lors des changements d'acquisition dans la classification d'images médicales, illustrant l'importance de la surveillance et de la correction de la dérive dans l'IA d'imagerie déployée. Lire la suite