L’intelligence artificielle intervient déjà dans plusieurs étapes de l’imagerie médicale, de l’amélioration des images à la détection de signes suspects. Sa présence ne supprime pourtant ni l’incertitude diagnostique ni le besoin d’un jugement clinique.
Pour comprendre ce qu’elle ne règle pas, il faut regarder au-delà des performances annoncées : qualité des données, organisation des soins et responsabilité médicale comptent tout autant. Ces limites se voient dans les décisions quotidiennes et les enjeux à retenir.
A retenir :
- Assistance à la détection, sans diagnostic autonome garanti
- Résultats dépendants des données et du contexte clinique
- Supervision humaine au cœur de la responsabilité médicale
- Déploiement conditionné par l’équité, la sécurité et l’intégration
Ce que l’IA en radiologie ne comprend pas du contexte clinique
Au-delà de ses capacités d’analyse d’images, l’IA ne dispose pas de l’ensemble des informations qui guident une décision médicale. Un résultat doit être interprété à la lumière des symptômes, des antécédents et des examens précédents.
Une image ne suffit pas à établir un diagnostic
Dans un service d’imagerie, un algorithme peut signaler une zone inhabituelle sur une radiographie thoracique. Le radiologue doit encore déterminer si cette alerte concorde avec l’état du patient et les données cliniques disponibles.
Selon la revue de Potočnik et ses collègues, les applications couvrent plusieurs étapes, mais leur utilité dépend de leur tâche et de leur mise en œuvre. Une détection automatisée ne remplace donc pas l’interprétation médicale, notamment lorsque plusieurs explications sont possibles.
Les erreurs diagnostiques peuvent apparaître si une alerte est acceptée sans vérification ou si un résultat négatif rassure à tort. Le jugement humain sert aussi à repérer les situations inhabituelles que l’outil n’a pas correctement apprises.
Des performances sensibles aux données
Cette dépendance au contexte commence dès l’entraînement des modèles : les images et les annotations utilisées influencent ce que l’algorithme reconnaît. Si les données représentent mal certains appareils, populations ou protocoles, les performances peuvent varier.
Selon les recommandations de la Société française de radiologie citées dans les éléments disponibles, la qualité des données d’entraînement conditionne les résultats. Les biais algorithmiques ne sont donc pas une abstraction : ils peuvent réduire la fiabilité dans des situations moins représentées.
La validation clinique doit examiner les performances dans des conditions proches de celles du service concerné, et pas seulement sur les données de développement. Ce contrôle conduit à une autre question pratique : comment intégrer l’outil sans désorganiser le travail ?
Repères pour évaluer un outil :
- Population et examens représentés dans les données
- Type de tâche et limites annoncées par le fabricant
- Résultats observés dans le service utilisateur
- Procédure de vérification des alertes et des anomalies
Pourquoi l’IA ne règle ni la responsabilité ni la confiance
Une fois les limites techniques identifiées, la question se déplace vers les personnes qui contrôlent l’outil et répondent de ses conséquences. L’automatisation ne transfère pas, à elle seule, la responsabilité médicale.
La supervision humaine reste déterminante
Selon la Société française de radiologie, l’IA soutient le radiologue sans le remplacer. En pratique, le professionnel doit pouvoir vérifier une proposition, la confronter au dossier et décider s’il convient de la retenir.
Le manque d’explicabilité complique ce contrôle lorsque le système fournit une alerte sans indiquer clairement les éléments qui l’ont déclenchée. Une interface lisible, une documentation accessible et la traçabilité des résultats aident l’équipe à comprendre quand l’outil peut se tromper.
Ce point compte aussi pour la formation. Si les jeunes praticiens s’appuient trop tôt sur des suggestions automatiques, ils risquent de moins exercer leurs compétences d’analyse autonome; l’outil doit compléter l’apprentissage, non s’y substituer.
Les données et la relation de soin en jeu
La protection des données impose de savoir quelles images et informations sont traitées, où elles circulent et qui peut y accéder. Ces questions doivent être examinées avant le déploiement, avec les règles de sécurité et de gouvernance adaptées.
La relation patient-soignant peut également être affectée si l’explication d’un examen se réduit à une réponse présentée comme incontestable par une machine. Le radiologue conserve un rôle essentiel pour éclairer l’incertitude, répondre aux questions et replacer les résultats dans la situation vécue.
Avant l’adoption, l’équipe peut vérifier plusieurs aspects :
- Accès aux données et conditions de leur traitement
- Traçabilité des alertes et des décisions finales
- Formation des professionnels à l’usage critique
- Information claire des patients sur le rôle de l’outil
La confiance se construit donc par la transparence et la supervision, et non par la seule promesse de précision. Reste à vérifier si les établissements disposent des mêmes moyens pour bénéficier de ces outils.
Les limites de l’intégration de l’IA dans les services de radiologie
Après les enjeux de confiance, l’organisation concrète détermine si une technologie aide réellement les équipes. Un système performant sur le papier peut compliquer le travail s’il s’intègre mal aux logiciels et aux habitudes du service.
Le flux de travail et la validation clinique
Une étude à deux centres de Topff et ses collègues examine la double lecture assistée par IA de radiographies thoraciques pour repérer des anomalies cliniquement pertinentes passées inaperçues. Ce modèle illustre une fonction ciblée : proposer une seconde vérification plutôt que remplacer la lecture initiale.
Selon cette étude publiée dans European Radiology, l’évaluation porte sur l’assistance à la détection de constatations manquées. Elle ne justifie pas de généraliser automatiquement le même usage à toutes les modalités, tous les établissements ou tous les patients.
Le tableau distingue des fonctions possibles et les points de vigilance qui leur sont associés. Cette distinction aide les équipes à définir des objectifs mesurables avant tout déploiement.
| Usage envisagé | Apport attendu | Point de vigilance |
|---|---|---|
| Reconstruction ou post-traitement | Amélioration du traitement des images | Contrôle de la qualité obtenue |
| Aide à la détection | Signalement de zones à examiner | Vérification par le radiologue |
| Priorisation des examens | Repérage de dossiers à traiter rapidement | Évaluation des alertes pertinentes |
| Analyse de texte médical | Structuration ou extraction d’informations | Relecture des éléments produits |
Des moyens inégalement répartis
L’intégration aux pratiques demande du temps, des équipements compatibles, une maintenance et des formations. Ces conditions peuvent être plus difficiles à réunir dans les petites structures ou les territoires moins bien dotés.
Les inégalités d’accès risquent alors de s’accentuer : certains patients bénéficieraient d’outils supplémentaires, tandis que d’autres resteraient pris en charge sans ces moyens. L’évaluation doit porter sur la qualité clinique, mais aussi sur la disponibilité équitable et les effets réels pour les patients.
La dépendance technologique constitue un autre risque si un service ne peut plus fonctionner correctement lors d’une panne, d’une mise à jour ou d’un changement de fournisseur. Prévoir une procédure de secours et maintenir les compétences humaines réduit cette fragilité.
Une adoption raisonnée associe donc essais locaux, suivi des incidents et réévaluation régulière. C’est à ces conditions que l’assistance technique peut compléter le travail clinique sans en fixer seule les limites.
Critères de déploiement à examiner :
- Compatibilité avec les systèmes déjà utilisés
- Formation, maintenance et procédure de secours
- Suivi des erreurs et réévaluation des performances
- Accès équitable entre établissements et patients
Sources : J. Potočnik, S. Foley et E. Thomas, « Current and potential applications of artificial intelligence in medical imaging practice: A narrative review », Journal of Medical Imaging and Radiation Sciences, juin 2023 ; L. Topff et al., « Artificial intelligence-assisted double reading of chest radiographs to detect clinically relevant missed findings: a two-centre evaluation », European Radiology, septembre 2024.