Focus sur l’intelligence artificielle en radiologie : quels bénéfices pour les praticiens ?

Points clés

L'intelligence artificielle (IA) transforme profondément la pratique de la radiologie en améliorant la qualité des images, en réduisant les doses de rayonnement et en automatisant des tâches chronophages. Voici les points essentiels à connaître :

• L'imagerie médicale est devenue numérique : un scanner corps entier génère plusieurs milliers d'images comprenant chacune plusieurs millions de pixels, créant des masses considérables de données à analyser.
• L'œil humain présente des limites : attention sélective, fatigabilité et performances variables selon l'expérience limitent la détection de certaines anomalies.
• L'IA améliore la qualité des images : meilleur contraste, meilleure résolution, gestion optimisée du bruit numérique et réduction des doses de rayonnement (10 à 100 fois plus rapide que les méthodes antérieures).
• L'automatisation libère du temps médical : segmentation automatique des lésions, détection des urgences (hémorragies intracrâniennes), mesures morphométriques et tri des examens normaux.
• La combinaison IA + radiologue offre les meilleures performances : supérieures aux deux prises isolément, cette association optimise la sensibilité et la spécificité diagnostique.
• L'IA reste un outil d'aide à la décision : le radiologue conserve le dernier mot et engage sa responsabilité médicale ; l'IA ne remplace pas le médecin, elle l'assiste. 

Pourquoi l'imagerie médicale est-elle devenue un terrain fertile pour l'intelligence artificielle ?

De l'analogique au numérique : une révolution technologique

L'imagerie médicale a connu une transformation radicale. À l'origine analogique, elle reposait sur la radiographie standard : les différences d'absorption des rayons X par le corps humain étaient rendues visibles sur un support photographique.

Avec la numérisation, l'imagerie médicale a engendré des masses considérables de données. Scanner un corps entier génère plusieurs milliers d'images comprenant chacune plusieurs millions de pixels. Cette évolution s'est poursuivie avec l'arrivée de nouvelles innovations :

• Imagerie en trois dimensions
• Imagerie en temps réel
• Séquences fonctionnelles
• Multiplication des modes d'acquisition en IRM
• Traceurs en médecine nucléaire

Avant même l'arrivée de l'IA, les logiciels assistaient déjà les radiologues et les cliniciens dans le traitement de ces masses de données en automatisant certaines tâches : contourage automatique de structures (vaisseaux, cavités rénales, tumeurs), mesure d'angle, de volume, analyse de la surface cérébrale, mesure de perfusion régionale.¹

Les limites de l'œil humain dans l'interprétation des images médicales

Malgré ces aides technologiques, l'interprétation diagnostique reposait encore sur l'œil du médecin. Or celui-ci n'est pas exempt de défauts : il est faillible.

L'attention sélective constitue une limite majeure. Une étude a montré que 83 % des radiologues qui devaient analyser des images de scanner thoracique à la recherche d'un nodule pulmonaire n'ont pas été capables de repérer l'image d'un gorille qui avait été dissimulée sur l'un des clichés. Le gorille était pourtant 48 fois plus gros que le nodule.^2,3

L'œil humain présente d'autres défauts :

• Il est fatigable
• Ses performances dépendent de l'expérience acquise
• Ses capacités restent limitées par rapport à d'autres espèces

Une étude surprenante publiée en 2015 témoigne des capacités des pigeons à distinguer des microcalcifications bénignes et malignes sur des radiographies mammaires. Après une formation de 15 jours et 1 500 images visionnées, les pigeons arrivaient à un taux de réponses exactes de 85 %. La raison ? Une qualité de vision 10 fois supérieure à celle des humains, permettant de détecter sur les radiographies des microstructures invisibles à nos yeux.^2,4

Comment fonctionne l'intelligence artificielle en radiologie ?

Le Deep Learning : un changement de paradigme

L'imagerie médicale est l'un des domaines de prédilection de l'IA. La numérisation des images médicales, l'accès facilité à de puissantes ressources de calcul et la sophistication des algorithmes ont permis de changer de paradigme.⁵

Nous sommes désormais passés à l'ère du Deep Learning (apprentissage profond), un sous-ensemble du Machine Learning (apprentissage machine).

Le Machine Learning renvoie à la capacité d'un algorithme à produire, au bout d'un certain temps de traitement de données, une nouvelle version plus efficace de lui-même après avoir écarté les hypothèses considérées comme statistiquement aberrantes.

Dans le Deep Learning, la capacité d'apprentissage de l'IA s'appuie sur un réseau de neurones artificiels, conçus par mimétisme avec les fonctionnalités du cerveau humain.⁶

L'entraînement des algorithmes : des dizaines de milliers d'images nécessaires

La mise au point d'applications de Deep Learning nécessite de grands échantillons d'apprentissage. Des dizaines de milliers d'images sont nécessaires pour entraîner l'algorithme à identifier les signes d'une pathologie.

Pour chacune de ces images, on lui indique si elle présente ou non des signes pathologiques. À la fin de l'apprentissage, l'algorithme arrive à reconnaître avec une excellente performance de nouvelles images présentant une anomalie.⁷

Quels sont les bénéfices concrets de l'IA pour les radiologues et les patients ?

Des images de meilleure qualité grâce à l'IA

Les apports de l'intelligence artificielle sont multiples. Les algorithmes contrôlent les paramètres de traitement de l'image en prenant en compte les conditions d'exposition, les doses et l'anatomie des patients.

Résultat : les images ont un meilleur contraste, une meilleure résolution, et le bruit numérique est mieux géré.⁵

Réduction des doses de rayonnement et des temps d'acquisition

Les doses de rayonnements reçus par les patients sont plus faibles grâce à des temps d'acquisition réduits et des reconstructions d'images performantes, 10 à 100 fois plus rapides que les méthodes antérieures.

L'algorithme aide à faire mieux avec moins d'informations. Réduire la dose permet d'élargir la prescription de TDM (tomodensitométrie) ou TEP (tomographie par émission de positons) à tous les sujets qui pourraient en bénéficier, tout en réduisant le coût des examens.

Les examens sont moins longs, donc moins inconfortables, et le risque de bougé et de flou est réduit. L'arrivée sur le marché de ces algorithmes est imminente.⁵

Automatisation des tâches chronophages et réduction de la variabilité

L'IA a pour objectif d'automatiser des processus chronophages ou sujets à une grande variabilité entre les opérateurs humains.

Exemples concrets :

• L'algorithme PARS permet de segmenter et de labelliser automatiquement tous les sites métastatiques à partir d'un examen TEP/TDM, une mesure non invasive de la charge tumorale qui se révèle être un biomarqueur prédictif pour de nombreux cancers.
• Segmentation automatique des lésions tumorales sur les images TDM pour planifier les traitements de radiothérapie, faisant gagner un temps considérable au radiothérapeute et limitant les risques d'erreur.⁵

Détection facilitée des urgences

L'intelligence artificielle facilite la détection des urgences. C'est le cas par exemple des hémorragies intracrâniennes : un logiciel a été développé pour détecter automatiquement les anomalies sur les scanners et éviter ainsi les retards liés à un flux d'examens trop élevé ou à un manque de disponibilité du radiologue.⁵

Réduction des inégalités d'accès aux soins

L'un des avantages de l'IA est de pouvoir lisser les inégalités d'accès aux soins en diffusant massivement une expertise de pointe dans tous les territoires.⁵

L'IA améliore-t-elle le dépistage et le diagnostic en radiologie ?

L'interprétation des images dans le cadre du dépistage est particulièrement difficile : il s'agit de détecter de subtiles anomalies au sein de nombreux clichés dont la plupart sont tout à fait normaux. Ainsi, 80 % des mammographies de dépistage sont normales.

L'IA peut lire des mammographies avec un taux de réponses exactes de 99 %. La densité tissulaire du sein exprimée en BI-RADS (Breast Imaging Reporting and Data System) est mesurée automatiquement. Elle est plus reproductible et plus fiable que les mesures des cliniciens.^2,5

Au-delà de la sénologie, l'intelligence artificielle est aujourd'hui challengée dans d'autres domaines de la radiologie :

• Détection automatique des fractures
• Dépistage des nodules pulmonaires au scanner

Le nombre de séances dédiées à l'IA dans les congrès phares de la spécialité explose.^2,5

L'IA peut-elle aider au pronostic des pathologies ?

Différenciation des fractures bénignes et malignes

Une étude menée sur des algorithmes éduqués pour différencier des fractures vertébrales bénignes et malignes au scanner a montré des résultats proches, quoique légèrement inférieurs, à deux des radiologues.

La performance était optimisée en combinant les deux analyses, celles de l'IA et celle du médecin.

Quantification de la sévérité de l'emphysème

Un autre algorithme s'est penché sur les images délivrées par un scanner du parenchyme pulmonaire de patients souffrant d'emphysème. Les résultats de la quantification par l'IA de la sévérité de l'emphysème étaient corrélés de manière significative aux valeurs obtenues par spirométrie.⁵

Radiogénomique : croiser imagerie et génomique

L'IA permet le croisement d'informations que les radiologues ne peuvent pas faire en routine. Une nouvelle discipline est apparue : la radiogénomique, qui vise à déceler des relations entre les caractéristiques d'imagerie des tumeurs et leurs caractéristiques génomiques.⁵

Limites actuelles : faux positifs et faux négatifs

L'expérience montre que pour l'ensemble des solutions d'IA actuellement en activité, il y a beaucoup de faux positifs et de faux négatifs, avec souvent une bonne sensibilité mais une spécificité insuffisante.

Le radiologue doit donc reprendre l'ensemble des éléments détectés par le logiciel pour les valider ou non.⁸

L'intelligence artificielle va-t-elle remplacer le radiologue ?

Le Deep Learning va modifier profondément les pratiques

Dans le domaine de l'imagerie, le Deep Learning va modifier profondément les pratiques. Demain, les algorithmes pourront s'intégrer encore davantage au quotidien des radiologues en triant les images, en les hiérarchisant, en analysant avec une expertise comparable à celle des meilleurs radiologues.

Mais c'est en associant IA et médecin que les performances sont les plus impressionnantes, supérieures aux deux pris isolément.

Libérer du temps pour des missions plus exigeantes

Libéré des tâches les plus répétitives (tri des examens normaux, détection d'anomalies, mesures morphométriques), le radiologue aura plus de temps pour se consacrer à des missions plus exigeantes et stimulantes.

Comme l'indique le Dr Jean-Philippe Masson, président de la FNMR (Fédération Nationale des Médecins Radiologues) :

« L'intelligence artificielle contribuera à améliorer la profondeur du diagnostic médical, mais aussi la qualité des examens pratiqués. Nous le savons : notre profession va gagner en efficacité et en réactivité. Parmi les bénéfices attendus, nous pourrons consacrer plus de temps à nos patients, en explicitant davantage nos résultats, nos conclusions et nos recommandations, y compris pour la suite de la prise en charge. »⁸

L'IA compagnon : un auxiliaire performant, pas un remplaçant

Les radiologues pourront être soulagés d'avoir à leurs côtés une « IA compagnon », une machine performante, œuvrant 7 jours sur 7 et 24 heures sur 24.

Une IA auxiliaire, qui aide le médecin au quotidien, sans avoir la prétention de le remplacer : n'oublions pas qu'au final, c'est toujours le radiologue qui a le dernier mot, celui qui implique sa responsabilité médicale.

En d'autres termes, l'IA est un simple outil d'aide à la décision.⁵ Espérons qu'elle le reste dans les années et les décennies à venir.

FAQ