Les radiologues vont-ils vraiment disparaître face à l'IA ? La vérité choquante

LE PRÉDICTION QUI A FAILLI TOUT CHANGER

En 2016, Geoffrey Hinton, le prix Nobel souvent surnommé le « parrain de l'IA », lance un avertissement retentissant : les radiologues – ces médecins qui analysent les radios, échographies et autres images médicales pour poser des diagnostics – pourraient être remplacés par des ordinateurs en moins de cinq ans. Aujourd'hui, le domaine médical peut répondre avec une citation célèbre de Mark Twain : « La rumeur de ma mort était une exagération. »

LE MÉTIER QUI GRANDIT, MAIS PAS COMME ON CROYAIT

Contre toute attente, les rangs des radiologues ne fondent pas. Au contraire, leur nombre devrait augmenter de 26 % ou plus au cours des trois prochaines décennies. Pourtant, Geoffrey Hinton avait vu juste sur un point crucial : les médecins humains disposent désormais d'un collègue en silicium dans la salle d'examen. Ce collègue numérique ne se contente pas de les égaler, il les dépasse parfois. La radiologie est même le domaine médical où l'IA s'impose le plus rapidement, devenant un modèle pour l'adoption des systèmes de décision automatisée dans toute la santé et peut-être dans d'autres secteurs.

L'IA DANS LA RADIOLOGIE : UNE RÉVOLUTION DÉJÀ EN MARCHE

Dès le début de l'année 2026, environ trois quarts des 1 400 dispositifs médicaux équipés d'IA approuvés par la Food and Drug Administration (FDA) américaine concernent la radiologie. Certains Outils rendent les médecins plus efficaces en rédigeant des comptes-rendus ou en alertant sur les images nécessitant une attention urgente. D'autres, plus ambitieux, promettent d'améliorer les performances humaines en détectant des anomalies invisibles à l'œil nu ou en interprétant des images aussi bien – et parfois mieux – que des radiologues formés. Par exemple, une analyse de 43 essais cliniques a révélé que les coloscopies assistées par IA permettent de repérer plus de polypes que les méthodes conventionnelles.

LES ERREURS HUMAINES : UN PROBLÈME MAJEUR

Améliorer la précision est essentiel, car les taux d'erreur moyens chez l'humain dans l'interprétation d'images diagnostiques sont estimés entre 3 et 5 %. Cela représente environ 40 millions d'erreurs chaque année dans le monde. Pourtant, la solution n'est pas aussi simple que de remplacer les humains par des machines. Dix ans après la prédiction de Hinton, la grande question n'est plus de savoir si les humains ou l'IA sont statistiquement meilleurs pour une tâche donnée, mais comment combiner la précision technique de l'IA avec l'expérience et la flexibilité des humains pour améliorer les diagnostics au bénéfice des patients.

L'IA NE FAIT PAS TOUT : LE RÔLE CLÉ DES RADIOLOGUES

Même si l'IA est, en moyenne, plus fiable qu'un radiologue expérimenté pour interpréter certaines images, elle commettra toujours des erreurs que l'humain ne ferait pas. C'est pourquoi les radiologues doivent évaluer chaque décision de l'IA – la grande majorité étant correcte – et repérer les rares cas où l'algorithme s'est trompé. « Cela demande une remise en question totale de notre façon de penser », explique Paul Yi, chef de la section d'informatique d'imagerie intelligente à l'hôpital de recherche pour enfants St. Jude à Memphis, dans le Tennessee.

DES DÉCISIONS À ÉVALUER, PAS À SUIVRE BÊTEMENT

Les médecins sont habitués à ignorer les alertes des ordinateurs, mais cette situation est différente. Depuis des décennies, les systèmes d'alerte des dossiers médicaux électroniques, basés sur des algorithmes de règles, informent les médecins de risques potentiels comme les interactions médicamenteuses dangereuses. Selon Curtis Langlotz, directeur du Centre pour l'IA en médecine et imagerie à l'université Stanford, les médecins ignorent ces alertes environ la moitié du temps. « Je vais recevoir un conseil de l'ordinateur, mais je devrai l'évaluer en fonction de toutes les autres informations que j'ai sur ce patient, puis prendre la meilleure décision », précise-t-il.

L'IA EN RADIOLOGIE : DES « BOÎTES NOIRES » DIFFICILES À INTERPRÉTER

Contrairement aux algorithmes basés sur des règles, qui donnent des réponses claires que les médecins peuvent interpréter rapidement grâce à leurs connaissances médicales, les systèmes d'analyse d'images en radiologie reposent souvent sur des réseaux de neurones artificiels. Ces modèles d'IA peuvent identifier des sous-types de tumeurs, délimiter les contours de lésions et effectuer d'autres tâches diagnostiques avec une grande précision. Mais ces réseaux de neurones sont souvent qualifiés de « boîtes noires » : ils ne révèlent généralement pas comment ils sont arrivés à une décision. Cela rend le travail du radiologue, qui doit décider s'il faut rejeter une décision de l'IA, encore plus opaque.

« Est-ce vraiment une anomalie, ou est-ce que je rate quelque chose que l'IA, avec sa subtilité, a identifié ? » s'interroge Charles Kahn, rédacteur en chef de la revue Radiology: Artificial Intelligence, publiée par la Société radiologique d'Amérique du Nord. « Et c'est vraiment un défi pour nous. »

L'IA ET LES HUMAINS : DEUX INTELLIGENCES COMPLÉMENTAIRES

Langlotz donne l'exemple d'un outil théorique d'IA capable de détecter 95 % des nodules pulmonaires sur un scanner thoracique, alors qu'un radiologue en repère en moyenne 90 %. « Certains diraient : 'L'IA est meilleure que les radiologues, donc il faut remplacer tous les radiologues par de l'IA', explique-t-il. Mais je vous dirai que le radiologue va détecter une partie de ces 5 % manqués par la machine. Et c'est parce que l'intelligence artificielle et l'intelligence humaine sont deux types d'intelligence différents. »

L'IA peut examiner chaque pixel d'une image sans se fatiguer ni se distraire, et comparer cette image à toutes celles qu'elle a déjà rencontrées. En revanche, la compréhension des maladies par les radiologues leur permet d'interpréter les images d'une manière que l'IA ne peut pas reproduire.

COMMENT COMBINER LES DEUX ? UN DÉFI DE TAILLE

« Comment s'assurer que lorsque l'IA et les radiologues pensent naturellement différemment, le radiologue accepte chaque fois que l'IA a raison et rejette chaque fois qu'elle a tort ? » s'interroge Nina Kottler, directrice médicale de l'IA chez Mosaic Clinical Technologies. « Ce n'est pas forcément facile, mais il existe des moyens de le faire. »

Pour créer une équipe idéale entre humains et IA, les radiologues du monde entier travaillent à apprendre à collaborer avec ces systèmes afin que médecins et patients puissent en tirer tous les bénéfices. Cette collaboration nécessite de gérer les biais inconscients qui poussent un médecin à trop se fier à l'IA ou, au contraire, à rejeter systématiquement ses réponses. Pour travailler de manière optimale avec ces systèmes, les radiologues doivent connaître la fiabilité globale de l'IA tout en étant capables de repérer ses erreurs.

« Il est utile de comprendre un peu comment ces systèmes fonctionnent pour mieux savoir quand un algorithme pourrait vous induire en erreur », souligne Langlotz.

LES ERREURS DE L'IA : FAUX POSITIFS ET FAUX NÉGATIFS

Qu'il s'agisse d'une erreur humaine ou machine dans l'interprétation d'une image médicale, il existe deux façons de se tromper : un faux négatif (ne pas détecter une maladie présente) ou un faux positif (voir une maladie qui n'existe pas). Pour les maladies rares – et la plupart des maladies le sont –, tout diagnostic tend à produire beaucoup de faux positifs. En effet, le système rencontre un grand nombre de personnes sans la maladie, ce qui lui donne plus d'occasions de déclencher de fausses alertes. Un médecin doit donc être capable de reconnaître et de rejeter ces faux positifs tout en identifiant correctement les diagnostics rares correctement posés par la machine.

Se fier trop aux résultats de la machine – positifs ou négatifs – s'appelle le biais d'automatisation. Mais il est tout aussi important d'éviter d'accepter les faux négatifs. Par exemple, un système d'IA pourrait ne pas détecter la présence de sang dans le cerveau sur un scanner ou une IRM alors qu'il y en a. Faire confiance à ces erreurs s'appelle la complaisance envers l'automatisation.

« Ce sont deux problèmes liés au fait que l'IA modifie le niveau de suspicion du radiologue sans qu'il s'en rende compte », explique Kottler. Avec le temps, les gens peuvent commencer à croire trop aveuglément aux réponses de l'IA. Une étude a révélé que même des radiologues expérimentés voyaient leur précision chuter de manière significative dans l'interprétation de mammographies lorsque leurs décisions étaient influencées par des prédictions erronées de l'IA.

LA MÉFIANCE ENVERS L'IA : UN AUTRE PIÈGE

D'un autre côté, la méfiance envers l'IA est plus intuitive. Beaucoup de gens se méfient naturellement d'une nouvelle technologie – surtout lorsqu'on l'accuse de vouloir prendre leur emploi – jusqu'à ce qu'elle prouve sa valeur. Et ce n'est pas aidé par le fait que des systèmes d'IA par ailleurs fiables commettent des erreurs évidentes, différentes des erreurs humaines. « Vous voyez une erreur stupide, un faux positif stupide, et vous vous dites : 'Bien sûr que l'IA n'est pas intelligente', puis vous la rejetez », explique Kottler. Elle suggère de surveiller sur le long terme le niveau d'accord entre radiologues et IA, et d'intervenir si les médecins vont trop loin dans un sens ou dans l'autre. « Si un radiologue accepte le résultat de l'IA 99 fois sur 100 et que l'on sait que l'IA n'est précise qu'à 95 %, nous allons discuter avec ce radiologue », précise-t-elle.

LA FORMATION : UNE CLÉ POUR UNE COLLABORATION OPTIMALE

Se contenter de dire aux radiologues qu'un outil d'IA est précis à 95 % ne suffit pas, selon Kottler. La formation est essentielle pour que les médecins sachent quoi chercher et quand. Par exemple, ils doivent savoir qu'un certain outil d'IA va se tromper sur 30 % des scanners si le patient a bougé pendant l'examen. Pourtant, plus d'un quart des médecins ayant répondu à une enquête de l'American Medical Association en 2026 ont déclaré n'avoir reçu aucune formation sur l'IA, et seulement 11 % ont affirmé avoir reçu une formation approfondie.

Kottler plaide également pour que les outils d'IA fournissent une estimation de confiance pour chaque évaluation, plutôt qu'une simple réponse oui/non. Aucun radiologue ne peut connaître les subtilités de plusieurs systèmes d'IA différents, et ces systèmes ne feront qu'augmenter en nombre et en complexité.

L'AVENIR : UNE ÉQUIPE HUMAINS-MACHINES À OPTIMISER

« Nous ne faisons que commencer à comprendre comment optimiser le système humain/machine », déclare Langlotz. Ce qui est important pour les radiologues aujourd'hui, ajoute-t-il, est la même chose qu'il affirmait il y a près de dix ans pour répondre à la prédiction du « parrain de l'IA » : ce n'est pas l'IA qui remplacera les radiologues, mais les radiologues qui utilisent l'IA qui remplaceront ceux qui ne l'utilisent pas.