Accueil › Glossaire › Radiology AI

Radiology AI : l’intelligence artificielle en radiologie diagnostique

La radiology AI désigne l’ensemble des logiciels et algorithmes de deep learning approuvés réglementairement (FDA, marquage CE) et intégrés dans les workflows de radiologie pour assister les radiologues dans la détection, le triage, la classification et la quantification des anomalies sur les images médicales (radiographies, CT, IRM, mammographies, échographies).

Qu’est-ce que la radiology AI ?

La radiology AI est le sous-domaine de l’imagerie médicale par IA qui se concentre spécifiquement sur l’assistance aux radiologues dans leur pratique diagnostique quotidienne. Contrairement à l’IA de recherche en imagerie (qui explore des techniques expérimentales), la radiology AI désigne des outils validés cliniquement, approuvés réglementairement, et intégrés dans les systèmes PACS et RIS des départements de radiologie.

La radiologie est le domaine médical qui génère le plus d’images et qui a le plus adopté l’IA : elle représente environ 71,5 à 80 % de toutes les autorisations FDA pour les dispositifs médicaux IA. Fin septembre 2025, 1 039 outils IA spécifiques à la radiologie avaient reçu une autorisation FDA, sur un total de 1 356 dispositifs IA médicaux autorisés. En 2025 seulement, 258 nouveaux dispositifs ont été autorisés, un record annuel, et le rythme continue d’accélérer.

Plus de 63 % des dispositifs approuvés sont à visée diagnostique (aide à la détection et au diagnostic), tandis que les applications thérapeutiques (guidage d’intervention, planification de traitement) représentent environ 4,7 %, un segment en croissance.

Applications cliniques principales

Triage et priorisation

L’application la plus immédiatement valorisable. Les outils de triage IA analysent les images dès leur acquisition et priorisent les cas critiques dans la worklist du radiologue. Un pneumothorax, une hémorragie intracrânienne ou une embolie pulmonaire détectés par l’IA sont automatiquement remontés en tête de file, réduisant le délai entre l’examen et le diagnostic pour les cas urgents.

Viz.ai est la référence en triage neurovasculaire : le système détecte les AVC (Large Vessel Occlusion) avec un AUC supérieur à 0,90 et notifie automatiquement l’équipe de neuro-intervention, bypassant la file d’attente classique. Aidoc couvre un spectre plus large : hémorragie intracrânienne, embolie pulmonaire, fractures de la colonne, pneumothorax, avec une sensibilité supérieure à 90 % et un faible taux de faux positifs.

Détection de lésions

La détection automatique de nodules pulmonaires (sur CT thoracique faible dose), de microcalcifications mammographiques, de fractures subtiles (côtes, poignet, rachis), et de lésions hépatiques est l’un des cas d’usage les plus matures. Les systèmes fonctionnent comme un « second lecteur » qui attire l’attention du radiologue sur des zones potentiellement suspectes.

En mammographie, les outils IA augmentent la sensibilité de détection du cancer du sein de 5 à 10 % quand ils sont utilisés comme second lecteur. Lunit INSIGHT MMG et Hologic Genius AI sont parmi les outils les plus déployés. Mirai (MIT) va plus loin en prédisant le risque de cancer du sein à 5 ans à partir de la mammographie, intégrant des informations visuelles invisibles à l’œil nu.

Segmentation et quantification

Les outils de segmentation délimitent automatiquement les structures anatomiques et les lésions : volume tumoral (pour le suivi de traitement et la planification de radiothérapie), fraction d’éjection cardiaque (sur IRM ou échographie), volume cérébral (pour le suivi de la sclérose en plaques ou de la maladie d’Alzheimer). La quantification précise et reproductible est un avantage majeur de l’IA par rapport aux mesures manuelles, sujettes à la variabilité inter-observateur.

Radiographie thoracique

La radiographie thoracique (chest X-ray) est la modalité la plus volumineuse en radiologie et un terrain privilégié pour l’IA. Les outils détectent pneumonie, pneumothorax, cardiomégalie, épanchements pleuraux, et tuberculose. Qure.ai qXR et Lunit INSIGHT CXR sont déployés dans des dizaines de pays, y compris dans des contextes à ressources limitées où les radiologues sont rares. Certains régulateurs européens autorisent déjà le triage automatisé « normal vs anormal » pour les radiographies thoraciques.

Neuroimagerie

La neuroradiologie est la spécialité qui contribue le plus aux publications en IA radiologique. Les outils couvrent la détection d’AVC (Viz.ai, RAPID.ai), la quantification du volume cérébral (Cortechs.ai pour Alzheimer), la détection d’hémorragies et de dissections (Aidoc), et l’analyse de perfusion (pour guider les décisions de thrombectomie). La rapidité de l’IA est critique en neurologie d’urgence, où chaque minute compte.

Aide à la rédaction de rapports

Les modèles NLP (comme RadBERT) extraient des informations structurées à partir de rapports radiologiques en texte libre. Les foundation models et les LLM sont explorés pour la rédaction préliminaire de rapports : le système génère un brouillon de rapport à partir de l’image, que le radiologue valide et corrige. Fin 2025, cette application reste au stade de recherche : aucun produit utilisant un LLM génératif n’a encore reçu d’autorisation FDA pour la rédaction de rapports radiologiques. L’ESR (European Society of Radiology) a averti que l’utilisation interne de LLM (type ChatGPT) est actuellement considérée comme « non autorisée » au regard des réglementations sur les dispositifs médicaux.

Paysage réglementaire

FDA : le 510(k) domine

97 % des dispositifs IA en radiologie sont autorisés via le 510(k), qui exige de démontrer l’équivalence substantielle avec un dispositif existant plutôt que de mener des essais cliniques complets. Le code produit QIH (Radiological CAD) représente à lui seul un quart de toutes les autorisations IA entre 2021 et 2024.

Une étude systématique parue dans JAMA Network Open (novembre 2025) a analysé 723 dispositifs IA radiologiques autorisés par la FDA. Les résultats sont préoccupants : des études de performance clinique n’étaient rapportées que pour environ la moitié des dispositifs analysés. Moins d’un tiers des évaluations cliniques fournissaient des données spécifiques au sexe, et seulement un quart adressaient les sous-groupes d’âge. Ce manque de transparence soulève des questions sur la généralisabilité réelle de ces outils.

Innovation réglementaire : la FDA pilote les Predetermined Change Control Plans (PCCP), qui permettent aux fabricants de mettre à jour les poids de leurs modèles IA sans soumettre une nouvelle demande complète, reconnaissant que l’IA évolue dans le temps. C’est un changement de paradigme pour la réglementation des dispositifs médicaux.

Europe : AI Act et MDR

En Europe, les dispositifs IA en radiologie sont soumis au règlement MDR (Medical Device Regulation) pour le marquage CE. L’AI Act européen, effectif en janvier 2026, classe l’IA médicale comme « haut risque », imposant des exigences renforcées : documentation de la curation des données d’entraînement, vérification des biais, politique de supervision humaine, et explicabilité des décisions. Les fabricants doivent se conformer sous peine de sanctions significatives.

Remboursement

Le remboursement reste le goulot d’étranglement majeur. Aux États-Unis, des efforts sont en cours pour créer des codes CPT spécifiques aux lectures assistées par IA, mais le processus est lent. En France et en Europe, le remboursement des actes assistés par IA n’est pas encore standardisé, ce qui freine l’adoption malgré les approbations réglementaires.

Adoption et déploiement

État de l’adoption

L’adoption de l’IA en radiologie croît mais reste inégale. Les grands centres universitaires et les réseaux hospitaliers privés (aux États-Unis, en Europe du Nord, en Corée du Sud, au Japon) sont les plus avancés. Les outils de triage (Viz.ai, Aidoc) sont les plus largement déployés car leur valeur est immédiate et mesurable (réduction du temps de diagnostic pour les urgences). Les outils de détection de cancer (mammographie, poumon) suivent, surtout dans les programmes de dépistage organisés.

Intégration dans les workflows

L’intégration technique passe par des plateformes intermédiaires (marketplaces IA) qui connectent les algorithmes IA aux PACS/RIS existants : Blackford Platform, Sectra Amplifier, Nuance AI Marketplace. Ces plateformes gèrent le routing des images vers les algorithmes appropriés et l’affichage des résultats dans l’interface du radiologue. Le standard DICOM et les protocoles HL7/FHIR facilitent l’interopérabilité.

Le framework BRIDGE (développé par Aidoc et NVIDIA) propose des guidelines pour le déploiement éthique et efficace de l’IA en radiologie, couvrant l’interopérabilité, la gouvernance transparente et la scalabilité.

Résistances et freins

Les principaux freins à l’adoption sont : le coût (abonnements logiciels, infrastructure IT), le manque de remboursement, la méfiance des cliniciens envers les « boîtes noires », les préoccupations de responsabilité médico-légale (qui est responsable si l’IA rate un diagnostic ?), et le défi de la formation continue des équipes.

Défis et limites

Généralisation cross-site

Le défi le plus critique. Un outil IA performant dans un hôpital peut perdre 10 à 15 points de précision dans un autre si les protocoles d’imagerie, les constructeurs de scanners, ou les populations de patients diffèrent. Les fabricants surestiment souvent les performances car ils entraînent et testent sur des données similaires. La surveillance post-marché (audit des performances en conditions réelles) est de plus en plus exigée par les régulateurs mais n’est pas encore systématique.

Biais démographiques

L’étude JAMA Network Open de 2025 révèle que moins d’un tiers des dispositifs FDA fournissent des données de performance spécifiques au sexe, et seulement un quart par tranche d’âge. Quand les données d’entraînement surreprésentent certains groupes démographiques, les modèles performent moins bien pour les populations sous-représentées. C’est un problème d’équité en santé qui exige une attention réglementaire renforcée.

Explicabilité

Les radiologues doivent justifier leurs décisions diagnostiques. Un score de confiance ou une heatmap opaque ne suffit pas toujours à établir la confiance. Les méthodes d’IA explicable (XAI) intégrées aux outils commerciaux restent souvent perçues comme insuffisamment informatives par les cliniciens en pratique quotidienne.

LLM et IA générative : pas encore approuvés

Bien que les LLM (GPT-4V, LLaVA-Med) montrent des capacités prometteuses en interprétation d’images et en rédaction de rapports, aucun produit radiologique réglementairement approuvé ne s’appuie sur un LLM génératif fin 2025. L’utilisation de ChatGPT ou d’outils similaires en contexte clinique reste considérée comme non autorisée par les sociétés savantes européennes de radiologie.

Principaux acteurs

Concepts connexes

La radiology AI est une application spécifique de l’imagerie médicale par IA. La pathology AI est son pendant en anatomopathologie. Le domaine plus large de la healthcare AI englobe toutes les applications médicales. Les techniques sous-jacentes incluent les CNN (U-Net pour la segmentation, ResNet pour la classification), les Vision Transformers, la segmentation d’images, l’object detection, et le transfer learning. Le federated learning adresse la confidentialité des données patients. La restauration d’images est utilisée pour la reconstruction d’images basse dose.