Le formulaire a été soumis avec succès.
Vous trouverez de plus amples informations dans votre boîte aux lettres.
Nous recruterSélection de la langue
À proposServicesTechnologiesProjets
De nombreux discours d’ouverture de conférences sur le secteur de la santé (IT) suivent désormais le même schéma. Quelqu’un commence par une diapositive montrant un robot à l’air sympathique vêtu d’une blouse blanche, puis termine quarante minutes plus tard en répondant à une question anxieuse : le logiciel va-t-il remplacer les emplois du public ? Entre la diapositive du robot et cette question, la partie vraiment utile de l’intervention est souvent négligée, et elle porte rarement sur les robots.
L’IA appliquée à l’imagerie médicale, telle qu’elle est réellement commercialisée et utilisée, est bien moins spectaculaire et bien plus intéressante. Il s’agit d’un logiciel qui analyse un scanner thoracique avant même que le radiologue n’ouvre le dossier et qui signale les trois examens, sur deux cents, qui doivent être examinés en priorité. C’est un modèle qui mesure une tumeur de la même manière à chaque fois, au lieu de la mesurer comme le ferait un interne fatigué un vendredi à 18 heures. Rien de tout cela ne fait la une des journaux. Mais tout cela transforme le quotidien d’un service.
Il s'agit d'un guide pratique qui présente les domaines dans lesquels l'IA en imagerie médicale fonctionne réellement, ceux où elle trébuche encore sur ses propres lacets, et ce qu'il faut pour l'intégrer dans un hôpital ou un centre d'imagerie sans causer de problèmes majeurs en cours de route.
Dans sa forme la plus simple, l’imagerie médicale basée sur l’IA consiste à entraîner des logiciels, principalement des modèles d’apprentissage profond reposant sur des réseaux neuronaux convolutifs ou des architectures « transformer » plus récentes, à reconnaître des motifs dans les clichés de la même manière qu’un radiologue expérimenté. Il suffit d’alimenter un modèle avec un nombre suffisant de radiographies thoraciques annotées montrant une pneumonie pour qu’il commence à repérer les mêmes indices visuels qu’un radiologue, mais plus rapidement et sans pause-café.
Le champ d'application s'étend désormais bien au-delà de la simple détection d'une tumeur. Les outils actuels interviennent à presque toutes les étapes du processus d'imagerie : acquisition, reconstruction, interprétation, rédaction de rapports et, de plus en plus, prévision de l'évolution de la maladie et de l'issue clinique pour les patients. Certains de ces processus s'exécutent sous forme de machine learning intégré directement au scanner. Une partie s'exécute sous forme de couche distincte qui lit le fichier DICOM une fois le scan terminé.
Les autorités de régulation ont constaté cette évolution plusieurs années avant la plupart des établissements de santé. Fin 2025, la radiologie représentait environ 76% pour chaque dispositif médical doté d’une intelligence artificielle autorisées par la FDA au cours des 30 dernières années, soit plus que toutes les autres spécialités cliniques réunies. C'est dans le domaine de l'imagerie que les données sont les plus riches, que les schémas sont suffisamment visuels pour permettre à un réseau neuronal d'apprendre efficacement et que les avantages cliniques sont les plus évidents ; c'est donc également là que l'IA a pris une longueur d'avance.
L'IA remplit plusieurs fonctions différentes selon sa place dans le flux de travail. Voici comment l'IA est utilisée en imagerie médicale, une fois passées les présentations marketing.
C'est l'application à laquelle tout le monde pense en premier. Un modèle analyse une image et signale tout ce qui semble anormal : un nodule, une fracture, une hémorragie, une masse suspecte, etc. Il va de soi que le résultat n’est pas un diagnostic. Il s’agit simplement d’un deuxième regard qui ne se fatigue jamais et ne se laisse jamais distraire, ce qui est exactement ce qu’un vision par ordinateur ce que le modèle sait bien faire, et ce que ne sait justement pas faire un humain qui en est à sa deux centième radiographie thoracique de la garde.
La segmentation permet de tracer le contour d'une tumeur, d'un organe ou d'un vaisseau sur l'image, en indiquant précisément leur emplacement. Cela peut sembler peu prestigieux, jusqu'à ce que l'on prenne conscience à quel point la radiologie repose sur la cohérence des mesures au fil du temps. Un modèle capable de segmenter une même lésion de manière cohérente d'un examen de suivi à l'autre élimine une part surprenante d'incertitude dans le suivi du traitement.
Toutes les images ne présentent pas le même degré d'urgence, mais les listes de travail des systèmes PACS (systèmes d'archivage et de communication d'images) les ont traditionnellement traitées de cette manière : « premier arrivé, premier lu ». Les modèles de triage analysent les examens entrants et placent tout ce qui présente des signes d’AVC, d’embolie pulmonaire ou d’hémorragie intracrânienne en tête de file, parfois quelques minutes seulement après l’acquisition. C’est toujours le radiologue qui prend la décision. Simplement, il le fait plus tôt.
L'IA intervient également sur l'image elle-même avant même qu'un être humain ne l'examine : elle élimine le bruit des tomodensitométries à faible dose, améliore la netteté des images IRM acquises en moins de temps que ne l'exige un protocole standard, ou comble les lacunes dues aux artefacts de mouvement. Les avantages sont réels : des doses de rayonnement plus faibles, des temps d'examen plus courts et des images plus faciles à interpréter.
Cette nouvelle vague associe l'imagerie à d'autres types de données, tels que les résultats de laboratoire, la génomique et les notes cliniques, afin de prédire l'évolution probable d'une maladie, plutôt que de se contenter de décrire ce qui est visible aujourd'hui. Cette approche en est encore à ses débuts, mais elle est prometteuse et c'est vers elle que se dirigent actuellement une grande partie des investissements dans la recherche sérieuse.
Les applications constituent un angle d'approche, mais le domaine clinique en est un autre. Et c'est sans doute celui qui importe le plus aux yeux de la personne chargée d'approuver le budget. Voici quelques exemples concrets d'IA appliquée à l'imagerie médicale, classés par spécialité.
L'imagerie oncologique est l'un des domaines où l'IA a fait ses preuves depuis le plus longtemps, principalement parce que le dépistage des cancers du sein, du poumon et de la prostate génère d'énormes ensembles de données bien annotés. Dans l'un des plus grands essais cliniques en conditions réelles menés à ce jour, des radiologues ont eu recours à une double lecture assistée par l'IA dans le cadre du dépistage mammographique a permis de détecter 17,61 TP180T de cas de cancer supplémentaires par rapport aux radiologues qui ne l’utilisent pas, sur un échantillon de plus de 460 000 femmes ayant bénéficié d’un dépistage dans 12 centres en Allemagne.
Dans la prise en charge des AVC, chaque minute compte, et les outils de triage basés sur l’IA, conçus pour la tomodensitométrie et l’IRM, signalent désormais les cas suspects d’occlusion des gros vaisseaux et d’hémorragie intracrânienne suffisamment rapidement pour réduire le délai entre l’examen d’imagerie et la décision thérapeutique. Cette même technologie permet également de suivre l'évolution des modifications de la substance blanche au fil du temps dans le cadre de pathologies telles que la sclérose en plaques, ce qui nécessitait auparavant une comparaison manuelle minutieuse entre les examens.
L'IRM cardiaque et la tomodensitométrie génèrent des données denses et comportant de nombreux mouvements, qu'il est véritablement difficile pour un être humain d'évaluer de manière cohérente. Les outils d'IA se chargent désormais des calculs de volume des cavités cardiaques, de l'évaluation du score calcique et de l'analyse des artères coronaires avec un niveau de reproductibilité que les mesures manuelles atteignent rarement, car deux cardiologues mesurant manuellement le même cœur n'aboutiront pas toujours exactement au même résultat.
La détection des fractures sur les radiographies, en particulier les fractures discrètes qui passent facilement inaperçues dans un service d'urgence très fréquenté, est l'une des réussites les plus discrètes de l'intelligence artificielle. L'évaluation de l'âge osseux et la classification de l'arthrose ont suivi le même schéma : ces tâches, qui ont toujours comporté une part de subjectivité, bénéficient désormais d'un deuxième avis fiable.
Les avantages de l'IA dans le domaine de l'imagerie médicale sont perçus différemment selon les personnes interrogées ; il est donc utile de les analyser en fonction du public visé, plutôt que de partir du principe que tout le monde recherche la même chose.
Rien de tout cela ne se fait automatiquement, et c’est en prétendant le contraire que les pilotes IA finissent par mourir en silence au fond d’un tiroir. Voici ce qui a tendance à faire obstacle.
La qualité d'un modèle dépend entièrement de la qualité des étiquettes à partir desquelles il a été entraîné, et l'annotation d'images médicales est un processus lent, coûteux et qui nécessite une véritable expertise clinique. Le manque de cohérence dans l'étiquetage entre les différents établissements est l'une des raisons les plus courantes pour lesquelles un modèle peut afficher d'excellentes performances lors des tests, mais des résultats décevants en production.
Les modèles entraînés principalement sur une seule population, une seule marque d'appareil d'imagerie ou les protocoles d'imagerie d'un seul hôpital ont tendance à donner des résultats moins bons partout ailleurs. Un modèle qui a appris les profils de densité mammaire d'un groupe démographique donné ne s'applique pas automatiquement à un autre groupe.
Chaque seuil implique un compromis. Si l'on règle le seuil sur une sensibilité trop élevée, les radiologues sont submergés de fausses alertes, ce qui engendre précisément la « fatigue des alertes » que l'outil était censé éviter. Si l'on privilégie trop la spécificité, l'outil commence à passer à côté de véritables anomalies. Il n'existe pas de réglage permettant de faire disparaître ce compromis, mais seulement des réglages qui s'adaptent mieux ou moins bien à un contexte clinique particulier.
Un modèle qui indique “ cancer, confiance 87% ” sans expliquer pourquoi a du mal à convaincre un radiologue, qui est légalement et professionnellement responsable de la décision finale. Les outils qui mettent en évidence les pixels réels à l’origine d’une prédiction inspirent davantage confiance que ceux qui ne le font pas, principalement parce qu’ils permettent à un clinicien de vérifier la validité d’un diagnostic d’imagerie médicale établi par l’IA.
Les images médicales contiennent des informations de santé protégées, et les chaînes de traitement basées sur l'IA qui transfèrent ces données entre les scanners, les systèmes de stockage, les environnements d'inférence dans le cloud et les systèmes de génération de rapports multiplient les points de défaillance potentiels. Le chiffrement des données en transit et au repos, des contrôles d'accès stricts et la journalisation des audits permettent d'éviter qu'une violation de données ne se transforme en catastrophe sur le plan réglementaire.
Qui est responsable lorsqu’une analyse assistée par l’IA passe à côté d’un élément ? Les cadres réglementaires sont encore en train de s’adapter à cette question, et l’autorisation délivrée par un organisme tel que la FDA porte sur les performances du logiciel, et non sur la structure de responsabilité juridique et clinique liée à son utilisation.
Un modèle validé sur les modèles de scanners et la population de patients de l’année dernière peut se dégrader progressivement à mesure que le matériel, les protocoles et les populations évoluent, un problème connu sous le nom de « dérive ». Sans surveillance continue des performances, cette dégradation passe inaperçue jusqu’à ce que quelqu’un remarque que le modèle est erroné depuis des mois. C’est exactement le genre de situation où une approche solide Pratiques MLOps sont conçus pour détecter le problème avant qu’il ne devienne un problème clinique.
Faire fonctionner un modèle dans le cadre d'un article de recherche et le faire fonctionner au sein d'un véritable service de radiologie sont deux projets très différents. Voici à quoi ressemble ce dernier.
Tout déploiement réussi commence à petite échelle : une modalité, une pathologie, une question clinique clairement définie. “ L’IA en radiologie ” n’est pas un cas d’utilisation. “ Signaler une suspicion d’embolie pulmonaire sur un scanner thoracique dans les cinq minutes suivant l’acquisition ” en est un.
C'est là que réside l'essentiel du travail : nettoyer, anonymiser et annoter les données d'imagerie selon une norme permettant au modèle d'apprendre. Le prochain défi consiste à s'assurer que les données reflètent bien la population de patients et les équipements sur lesquels le modèle sera finalement utilisé.
Modèle prêt à l'emploi, modèle de base affiné ou modèle entièrement sur mesure ? La bonne réponse dépend de la fréquence de la tâche clinique en question et de la mesure dans laquelle votre population de patients diffère de celle sur laquelle les modèles existants ont été entraînés. Nous y reviendrons dans la section suivante.
Un modèle incapable de recevoir des examens provenant d'un PACS, d'enregistrer les résultats dans le RIS et de les afficher dans le DME que le clinicien utilise déjà n'est pas un outil clinique, mais un projet de recherche animé de bonnes intentions. Intégration des dossiers médicaux électroniques (DME) et des dossiers médicaux informatisés (DMI) Ce travail n'a rien de prestigieux, mais il est absolument indispensable, car personne n'a envie d'ouvrir une troisième application juste pour voir ce que l'IA a trouvé.
L'interface revêt une importance presque aussi grande que le modèle qui la sous-tend. Les résultats issus de l'IA doivent s'intégrer aux outils que les radiologues utilisent déjà et être présentés sous une forme adaptée à leur flux de travail clinique, avec des options simples permettant d'accepter, de rejeter ou de passer outre les suggestions de l'IA.
Il est évident que la mise en service n’est pas la ligne d’arrivée. Une surveillance continue permet de vérifier l’exactitude par rapport aux résultats réels, de détecter tout écart et de repérer le moment où une mise à jour du micrologiciel du scanner modifie discrètement les images perçues par le modèle.
Tôt ou tard, tout projet de technologie d’imagerie médicale basée sur l’IA se retrouve à la même croisée des chemins, et quelqu’un dans la salle prononce le mot “ feuille de route ” avec plus d’assurance que ne le justifie la situation. Vous pouvez développer la solution vous-mêmes, acheter une solution existante ou recruter des personnes qui ont déjà commis des erreurs coûteuses aux frais d’une autre entreprise. Aucune de ces trois options n’est correcte en soi. L’une d’entre elles est la bonne pour votre équipe, votre échéance et le niveau de risque que votre service juridique est prêt à assumer avant le déjeuner.
| Approche | Rapidité de déploiement | Coût initial | Personnalisation clinique | Maintenance à long terme |
|---|---|---|---|---|
| Développer en interne | Lent : de quelques mois à plusieurs années | Élevé, nécessite une équipe dédiée au machine learning | Très élevé | Cela relève entièrement de votre équipe |
| Acheter un produit prêt à l'emploi | Rapide : quelques semaines | Des frais de licence initiaux et récurrents moins élevés | Limité aux fonctionnalités prises en charge par le fournisseur | Prise en charge par le fournisseur |
| Collaborer avec une équipe de développement | Modéré : de quelques semaines à quelques mois, voire un an | Modéré, limité au projet | Haut | Transféré ou pris en charge après stabilisation |
Malheureusement, les bonnes intentions ne suffisent pas pour passer un audit de sécurité. Avant qu’un pipeline d’imagerie médicale basé sur l’IA et l’apprentissage automatique ne soit mis en œuvre auprès d’un patient réel, il doit déjà reposer sur une infrastructure technique assez peu spectaculaire, qui fonctionne discrètement en arrière-plan pour que personne n’ait à s’en soucier.
Voici, en gros, la démarche que nous proposons à nos clients, élaborée à partir de projets dans lesquels les solutions d'imagerie basées sur l'IA ont franchi le cap de la phase pilote pour s'intégrer au quotidien.
Certaines orientations reviennent si souvent dans les travaux de recherche sérieux et les feuilles de route des produits qu’elles méritent d’être suivies de près, et non pas reléguées au rang de simples diapositives promotionnelles des fournisseurs. C’est à peu près là que l’IA est en train de transformer l’imagerie médicale, une fois que les équipes ont dépassé les limites des outils actuels.
Notre travail ici couvre l'ensemble de la chaîne de l'imagerie médicale basée sur l'IA, de bout en bout. D'une part, vision par ordinateur des modèles entraînés sur des données d’imagerie clinique réelles. Du côté moins prestigieux, le travail d’intégration des systèmes PACS, RIS et DME, qui détermine si tout cela sera effectivement utilisé. La conformité aux normes HIPAA, RGPD et MDR n’est pas ajoutée en fin de processus. Elles font partie intégrante du développement dès le premier sprint, et notre certification ISO 13485 couvre précisément le type de logiciels de dispositifs médicaux concerné. Nos études de cas dans le domaine de la santé donnent une image plus fidèle de ce à quoi cela ressemble dans la pratique que tout ce que je pourrais résumer ici.
L'IA ne viendra pas à bout d'une intégration PACS défaillante, et elle n'attendra pas non plus qu'une intégration parfaite voie le jour. Entre le programme pilote et la réalité chaotique de l’hôpital IT, les services de radiologie interprètent déjà les images différemment d’il y a cinq ans. Que ce changement soit perçu comme révolutionnaire ou simplement utile, cela dépend moins de l’algorithme que de ceux qui ont été les premiers à se lancer dans ce travail d’intégration souvent négligé.
Un peu de tout, en fait : détection des anomalies, segmentation et mesure d'images, tri des listes de travail, reconstruction d'images, rapports structurés et analyse prédictive, le tout couvrant différentes modalités telles que la radiographie, la tomodensitométrie, l'IRM et l'échographie.
Radiographies, tomodensitométries, IRM, échographies, mammographies, TEP et, de plus en plus, images pathologiques de lames entières. La radiographie et la tomodensitométrie restent les techniques les plus anciennes et les mieux établies.
Dans la plupart des cas, oui. Les outils d'IA clinique sont généralement conçus pour s'intégrer aux systèmes PACS et RIS existants via des normes telles que DICOM, DICOMweb, HL7 V2 et FHIR, même si le degré réel d'intégration dépend encore largement du fournisseur.
Cela dépend fortement de la tâche à accomplir et du degré de rigueur avec lequel le modèle a été validé ; il convient donc de considérer tout chiffre isolé concernant la précision avec une certaine méfiance. Des outils bien validés dans des domaines tels que le dépistage mammographique ont permis d’observer de réelles améliorations des taux de détection par rapport à une lecture sans aide, mais aussi des compromis concrets en termes de taux de faux positifs qu’il convient d’évaluer.
Il n'y a pas de chiffre magique dans ce domaine. Tout dépend du degré de complexité de la tâche clinique, mais les modèles d'imagerie validés et autorisés par la FDA ont, par le passé, utilisé entre quelques centaines et plusieurs milliers de cas de patients pour leur validation clinique.
Aux États-Unis, il s'agit principalement des autorisations délivrées par la FDA via des procédures telles que la 510(k), la procédure De Novo ou la PMA, ainsi que de la loi HIPAA relative à la protection des données. Dans l'Union européenne, ce sont le règlement sur les dispositifs médicaux (MDR), le RGPD et la loi européenne sur l'IA.
En bref, la réponse est non. Les outils actuels sont homologués en tant qu'aides à la lecture ou outils d'accompagnement, et non en tant que lecteurs autonomes ; c'est donc toujours au radiologue, et non à un modèle, qu'il revient de prendre la décision clinique finale.
Honnêtement, cela varie trop pour pouvoir donner un chiffre précis. Acheter une solution toute faite, développer une solution sur mesure ou s'associer à une équipe de développement : chaque option a un impact très différent, tout comme la complexité de l'intégration et le nombre de sites concernés. Une consultation ciblée vous permettra d'obtenir un chiffre concret bien plus rapidement que de se contenter de deviner.
Consultant en santé IT
Aleh fait le lien entre les besoins cliniques et l'exécution technique. Il applique une connaissance approfondie du domaine pour s'assurer que les systèmes MedTech ne sont pas seulement conformes, mais aussi suffisamment fiables pour avoir un impact mesurable sur les soins de santé dans le monde réel.
