L’IA en radiologie : mythe ou révolution ?
L’intelligence artificielle peut-elle vraiment rivaliser avec les radiologues ? Ou pire, les remplacer ? C’est la question qui agite le monde de l’imagerie médicale depuis quelques années. Une méta-analyse récente, publiée dans l’European Journal of Radiology, apporte des éléments de réponse concrets.
L’étude s’est intéressée à la performance des réseaux de neurones convolutifs (CNN) pour détecter les hémorragies intracrâniennes sur des scanners cérébraux sans contraste. Sur 5 119 publications analysées, six ont été retenues pour une revue approfondie, couvrant plus de 380 000 examens d’imagerie. Les résultats sont frappants : les algorithmes affichent une sensibilité de 96 % et une spécificité de 97 %, des performances comparables à celles des radiologues. Sur le papier, l’IA semble donc être à la hauteur des experts humains. Mais qu’en est-il en pratique ?
Un impact clinique encore à préciser
L’apport de l’IA en radiologie est indéniable. Face à l’augmentation exponentielle du nombre d’examens et à la pénurie de radiologues, ces technologies offrent une réponse à un besoin pressant : analyser rapidement les images, signaler les anomalies et prioriser les cas urgents. L’IA permettrait ainsi d’accélérer le diagnostic des AVC ou des traumatismes crâniens, où chaque minute compte.
Mais les promesses doivent être confrontées aux réalités du terrain. Les études cliniques restent limitées et la majorité des validations ont été faites en laboratoire, sur des jeux de données préalablement sélectionnés. Or, en milieu hospitalier, l’imprévu est la règle. L’IA doit prouver qu’elle est capable de gérer des cas complexes, des images de qualité variable et des pathologies rares. Et surtout, elle ne peut pas se substituer au raisonnement clinique du radiologue, qui intègre bien plus que de simples pixels.
Gleamer, l’IA au service des radiologues
Si une entreprise illustre bien cette dynamique, c’est Gleamer. Créée en 2017 à Paris, cette start-up s’est donné pour mission d’accompagner les radiologues en développant des outils d’IA qui améliorent la précision des diagnostics, sans jamais les remplacer.
Leur solution phare, BoneView, détecte automatiquement les fractures sur les radiographies. Déployée dans 24 pays, elle est déjà utilisée par plus de 6 500 radiologues et bénéficie de certifications en Europe et aux États-Unis. D’autres outils ont suivi, comme ChestView, spécialisé dans les pathologies pulmonaires, ou OncoView, destiné à l’imagerie oncologique.
L’ambition de Gleamer est claire : faciliter le travail des radiologues, réduire le risque d’erreurs et accélérer la prise en charge des patients. Un positionnement qui séduit, comme en témoigne leur récente levée de fonds de 27 millions d’euros pour accélérer leur développement.
Une révolution sous conditions
L’IA en radiologie est une avancée majeure, mais son adoption à grande échelle dépendra de plusieurs facteurs. D’abord, sa capacité à prouver son efficacité en conditions réelles. Ensuite, son acceptabilité par les professionnels de santé, qui restent prudents face à ces outils encore récents. Enfin, des questions éthiques et réglementaires devront être tranchées : qui est responsable en cas d’erreur ? Quelle place pour l’humain dans la décision finale ?
Ce qui est certain, c’est que l’IA ne remplacera pas les radiologues. En revanche, elle pourrait profondément transformer leur pratique, en leur permettant de se concentrer sur les cas les plus complexes. Plutôt qu’un mythe ou une menace, l’IA en radiologie pourrait bien être une révolution. À condition qu’elle soit bien maîtrisée.
Sources :