L'IA remplacera-t-elle les radiologues ?

À chaque démonstration spectaculaire d'un nouveau modèle d'IA, la même question ressurgit : l'IA va-t-elle remplacer les radiologues ? C'est une inquiétude légitime. La radiologie repose essentiellement sur l'imagerie et la reconnaissance de formes, et les ordinateurs adorent les formes comme les tout-petits adorent les boutons.

Voici une réponse plus claire : l’IA transforme déjà la radiologie à grande vitesse… et elle redéfinit surtout la nature du métier, sans le faire disparaître. Certaines tâches seront allégées. Quelques flux de travail seront inversés. Le radiologue qui refuse de s’adapter risque d’être mis à l’écart. Cependant, un remplacement complet, compte tenu de la complexité des soins cliniques, est une tout autre affaire.

Articles que vous aimeriez peut-être 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).

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. 😬🩻

Références

1. 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

2. 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

3. 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

4. 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

5. 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

Découvrez les dernières IA sur la boutique officielle AI Assistant

À propos de nous