Accueil › Glossaire › Medical Imaging

Medical Imaging : l’intelligence artificielle au service de l’imagerie médicale

Le medical imaging (imagerie médicale) assisté par IA désigne l’application de techniques de deep learning aux images médicales (radiographies, scanner CT, IRM, mammographies, échographies, pathologie numérique) pour détecter, segmenter, classifier et quantifier les anomalies et pathologies, en assistant les cliniciens dans leur diagnostic et leur prise de décision thérapeutique.

Qu’est-ce que le medical imaging par IA ?

L’imagerie médicale par IA applique les techniques de deep learning et de vision par ordinateur aux images produites par les équipements d’imagerie clinique. L’objectif n’est pas de remplacer le radiologue ou le pathologiste, mais de l’assister : détecter des anomalies que l’œil pourrait manquer, prioriser les cas urgents dans la file d’attente, quantifier les lésions avec précision, et réduire le temps de diagnostic.

Au cours de la dernière décennie, les publications sur l’IA en radiologie ont été multipliées par sept. Les modalités les plus étudiées sont l’IRM et le CT (scanner), avec la neuroradiologie en tête des spécialités, suivie par le musculosquelettique, le cardiovasculaire, le sein, l’urogénital, le thoracique et l’abdominal. Des centaines d’outils IA ont reçu des autorisations réglementaires (FDA, marquage CE) pour des tâches cliniques spécifiques.

Le marché de l’IA en imagerie médicale est en croissance exponentielle, avec une projection passant d’environ 762 millions de dollars en 2022 à environ 14,4 milliards de dollars d’ici 2032. Cette croissance reflète la confiance croissante des professionnels de santé dans les solutions IA.

Tâches principales

Détection et triage

La détection automatique d’anomalies est l’application la plus déployée. Les systèmes IA identifient des lésions suspectes (nodules pulmonaires, fractures, hémorragies intracrâniennes, tumeurs) et alertent le clinicien. Viz.ai pour la détection d’AVC (AUC > 0,90), Aidoc pour les hémorragies intracrâniennes (sensibilité > 90 %), et Lunit INSIGHT CXR pour l’analyse de radiographies thoraciques sont parmi les outils les plus déployés.

Le triage IA priorise les cas urgents dans la worklist du radiologue. Un pneumothorax détecté par l’IA est automatiquement remonté en haut de la file d’attente, permettant un diagnostic et une prise en charge plus rapides. Certains régulateurs européens autorisent déjà le triage entièrement automatisé (classification normal vs anormal) pour certaines modalités.

Segmentation

La segmentation consiste à délimiter précisément les contours d’une structure anatomique ou d’une lésion dans une image. L’architecture U-Net (et ses variantes : U-Net++, UNeXt, Attention U-Net) est la référence pour la segmentation en imagerie médicale. Les applications incluent la segmentation tumorale (pour la planification de radiothérapie), la segmentation cardiaque (mesure de la fraction d’éjection), et la segmentation hépatique (planification chirurgicale). Des modèles comme Segment Anything (SAM) sont adaptés au domaine médical (MedSAM) pour fournir une segmentation interactive guidée par des prompts.

Classification

La classification catégorise les images ou les lésions : bénin vs malin, type histologique, grade tumoral. Les CNN de classification (ResNet, EfficientNet, Xception) sont pré-entraînés sur ImageNet puis fine-tunés sur des datasets médicaux. Les Vision Transformers (ViT) montrent des performances supérieures dans certaines tâches, notamment la classification de tumeurs cérébrales en IRM (jusqu’à 98,17 % de précision).

Reconstruction et amélioration d’image

L’IA améliore la qualité des images médicales : reconstruction d’images CT à faible dose (réduire l’irradiation du patient tout en maintenant la qualité diagnostique), reconstruction IRM accélérée (réduire le temps d’examen), et débruitage d’images. Les modèles de diffusion et les GAN sont utilisés pour synthétiser des images de haute qualité à partir de données sous-échantillonnées ou bruitées.

Prédiction pronostique et radiomique

Au-delà du diagnostic, l’IA extrait des informations pronostiques des images médicales. La radiomique quantifie des caractéristiques texturales invisibles à l’œil (hétérogénéité tumorale, forme, intensité) qui corrèlent avec le pronostic. Les modèles de deep learning prédisent la réponse au traitement, le risque de récidive, et la survie. Mirai (MIT) prédit le risque de cancer du sein à 5 ans à partir de mammographies, intégrant des informations visuelles que les modèles de risque traditionnels ne capturent pas.

Principales modalités

Architectures et technologies

U-Net et ses variantes

U-Net, proposé initialement pour la segmentation de cellules en microscopie (Ronneberger et al., 2015), est devenu l’architecture de référence en imagerie médicale. Son architecture encodeur-décodeur symétrique avec skip connections préserve les détails spatiaux tout en capturant le contexte global. UNeXt réduit le coût computationnel pour le déploiement embarqué. Attention U-Net ajoute des mécanismes d’attention pour mieux cibler les régions pertinentes.

CNN de classification et détection

ResNet-50, EfficientNet, VGG-19, DenseNet201, Xception et MobileNetV2 sont les architectures de classification les plus utilisées, souvent en transfer learning depuis ImageNet. YOLO (v8, v10) est utilisé pour la détection d’objets (détection de dents sur radiographies panoramiques, détection de lésions cutanées). La segmentation par YOLO + SAM (YOLOSAMIC) combine détection et segmentation fine.

Vision Transformers

Les Vision Transformers (ViT) démontrent des performances supérieures aux CNN dans plusieurs tâches d’imagerie médicale, notamment la classification de tumeurs cérébrales (98,17 % de précision). Leur capacité à modéliser les dépendances longue distance est particulièrement utile pour l’analyse d’images médicales de grande taille (WSI en pathologie, CT volumétrique). Les Swin Transformers et les architectures hybrides CNN-Transformer combinent le meilleur des deux approches.

Foundation models

Les modèles fondationnels pour l’imagerie médicale sont la frontière actuelle. BiomedCLIP, MedSAM et d’autres modèles pré-entraînés sur de vastes corpus d’images médicales offrent des capacités de zero-shot et few-shot pour des tâches variées sans ré-entraînement spécifique. Cependant, fin 2025, aucun produit radiologique réglementairement approuvé ne s’appuie sur un LLM génératif : les outils approuvés restent des algorithmes conventionnels focalisés cliniquement.

Modèles génératifs

Les modèles de diffusion et les GAN sont utilisés pour la reconstruction d’images (synthétiser des images CT/IRM haute qualité à partir de scans à faible dose ou sous-échantillonnés), l’augmentation de données (générer des images médicales synthétiques pour enrichir les datasets d’entraînement), et l’anonymisation (générer des images cliniquement réalistes qui ne correspondent à aucun patient réel).

Régulation et approbations

FDA (États-Unis)

La FDA autorise les logiciels IA en imagerie médicale principalement via deux voies : le 510(k) (démontrer l’équivalence substantielle avec un dispositif existant) et le De Novo (pour les dispositifs sans équivalent). Des centaines de dispositifs IA ont été autorisés. La radiologie représente la majorité des autorisations FDA en IA médicale. La FDA travaille sur un cadre pour les « algorithmes adaptatifs » qui s’améliorent après déploiement, un défi réglementaire majeur.

Marquage CE (Europe)

En Europe, le règlement MDR (Medical Device Regulation) encadre les dispositifs médicaux IA. L’AI Act européen (déploiement progressif) classe les systèmes IA en imagerie médicale comme « haut risque », imposant des obligations de documentation des données d’entraînement, de vérification des biais, et de supervision humaine. D’ici 2026, la conformité à l’AI Act sera obligatoire pour les nouveaux dispositifs.

Remboursement

Le remboursement des actes assistés par IA reste un obstacle majeur à l’adoption. Aux États-Unis, des efforts sont en cours pour créer des codes CPT spécifiques aux lectures assistées par IA (similaires aux codes de pathologie pour l’analyse d’images de lames entières). En Europe, le remboursement varie selon les pays et les systèmes de santé.

Défis et limites

Généralisation et robustesse

Un outil IA avec 95 % de précision dans un hôpital peut chuter à environ 80 % dans un autre si les protocoles d’imagerie diffèrent (type de scanner, paramètres d’acquisition, positionnement du patient). Les constructeurs surestiment souvent les performances car ils entraînent et testent sur des données similaires. La surveillance post-marché (audit des cas flaggés par l’IA) est de plus en plus exigée par les régulateurs mais n’est pas encore standardisée.

Interprétabilité

Les modèles de deep learning sont des « boîtes noires » qui produisent un score ou une heatmap sans expliquer leur raisonnement. Les cliniciens peuvent se méfier de suggestions opaques. Les méthodes d’IA explicable (XAI) comme les cartes de saliency et le raisonnement par cas sont intégrées mais souvent jugées insuffisamment utiles par les radiologues en pratique.

Données et biais

Les datasets médicaux sont coûteux à constituer et à annoter (nécessitent l’expertise de spécialistes), limités en taille par rapport aux datasets de vision générale, et souvent biaisés vers certaines populations, certains équipements et certaines institutions. L’apprentissage fédéré (federated learning) est une réponse prometteuse : entraîner les modèles de manière distribuée sur les données de plusieurs hôpitaux sans les centraliser, préservant ainsi la confidentialité des patients.

Intégration dans les workflows

L’intégration des outils IA dans les systèmes d’information radiologiques (RIS) et les systèmes de communication et d’archivage d’images (PACS) existants reste un défi technique et organisationnel. Les plateformes comme Nuance PowerScribe et les marketplaces IA (Blackford Platform, Sectra Amplifier) facilitent l’intégration mais l’interopérabilité n’est pas toujours garantie.

Entreprises et outils clés

Viz.ai : Plateforme de triage IA pour les urgences neurovasculaires (AVC, embolie pulmonaire). Détection automatique et notification directe de l’équipe de neuro-intervention. FDA-cleared, largement déployé aux États-Unis.

Aidoc : Plateforme de triage multi-pathologies (hémorragie intracrânienne, embolie pulmonaire, fractures). Intégrée dans les PACS de nombreux hôpitaux. Sensibilité > 90 % avec faibles taux de faux positifs.

Lunit : Entreprise sud-coréenne fondée en 2013. Lunit INSIGHT CXR (radiographie thoracique), Lunit INSIGHT MMG (mammographie), Lunit SCOPE (pathologie numérique, prédiction de réponse à l’immunothérapie). En 2025, partenariat avec le réseau allemand Starvision (79 établissements). Plus de 125 publications peer-reviewed.

Qure.ai : Basé à Mumbai, fondé en 2016. Solutions pour radiographie pulmonaire (cancer du poumon, tuberculose), CT cérébral (AVC), et suivi clinique. Intégration avec les systèmes PACS/RIS hospitaliers.

Paige.ai / PathAI : Leaders en pathologie numérique assistée par IA. Détection de métastases, scoring de biomarqueurs, classification histologique sur lames entières numérisées (Whole Slide Images).

Concepts connexes

Le medical imaging IA englobe plusieurs sous-domaines détaillés dans le glossaire : la radiology AI (IA spécialisée en radiologie diagnostique), la pathology AI (IA en anatomopathologie), et fait partie du domaine plus large de la healthcare AI. Les techniques sous-jacentes incluent le deep learning, les CNN, les Transformers, la segmentation d’images, la classification d’images, et l’object detection. L’image restoration est utilisée pour l’amélioration de qualité des images médicales. Le federated learning et la differential privacy adressent les enjeux de confidentialité des données patients.