L'IA médicale invente des tumeurs : un risque ignoré de 3 millions de patients

Un radiologue fait confiance à une IRM reconstruite par IA. Le problème : la lésion n'a jamais existé.

Ce scénario n'est pas de la science-fiction. Il s'est produit dans des environnements cliniques réels, et il met en lumière une faille profonde dans l'adoption précipitée de l'intelligence artificielle en imagerie médicale. Les modèles d'IA chargés de reconstruire, améliorer ou accélérer les acquisitions IRM peuvent générer des artefacts visuels indiscernables de vraies pathologies — et personne ne vous le dit clairement.

Comment l'IA reconstruit une IRM (et pourquoi c'est dangereux)

Pour comprendre le problème, il faut saisir ce que font concrètement ces outils. Les systèmes d'IA en imagerie médicale — comme ceux proposés par Siemens Healthineers, GE Healthcare ou Philips — utilisent des réseaux de neurones profonds pour reconstruire des images à partir de données partielles. L'objectif est louable : réduire le temps d'acquisition, diminuer les doses de rayonnement, améliorer la résolution.

Mais voici le problème central : ces modèles sont entraînés à compléter ce qui manque. Ils apprennent, sur des millions d'images, à combler les lacunes de données. Or, un modèle qui complète des informations manquantes peut aussi, dans certaines conditions, inventer des structures anatomiques plausibles mais fausses.

En traitement du signal, ce phénomène porte un nom technique : les hallucinations de reconstruction. En neurologie, la même lésion inventée peut déclencher une biopsie inutile.

Des exemples documentés qui auraient dû faire la une

En 2021, une étude publiée dans Nature Machine Intelligence a analysé des modèles de super-résolution IRM basés sur des réseaux adversariaux génératifs (GAN). Les chercheurs ont montré que ces systèmes pouvaient effacer de vraies lésions tumorales tout en en générant de fausses à d'autres endroits — avec un niveau de réalisme visuel suffisant pour tromper des radiologues expérimentés.

Même constat dans une étude de l'Université de Montréal en 2022 : sur des reconstructions accélérées d'IRM cérébraux, des artefacts ressemblant à des plaques de sclérose en plaques apparaissaient de manière systématique dans des zones saines. Les sujets testés étaient des volontaires sans pathologie neurologique confirmée.

• Faux positifs : l'IA génère une anomalie, le patient subit des examens invasifs inutiles
• Faux négatifs : l'IA efface une vraie lésion, la maladie progresse sans diagnostic
• Biais de confiance : les radiologues font davantage confiance aux images "améliorées par IA" qu'aux originaux bruités

Le biais de confiance : le vrai danger invisible

La question technique n'est pas la plus préoccupante. Ce qui inquiète les chercheurs en éthique médicale, c'est la psychologie du praticien face à une image IA.

Quand un radiologue reçoit une image reconstruite par algorithme, elle est nette, propre, esthétiquement convaincante. L'image brute originale, elle, est granuleuse, difficile à lire. Dans ce contexte, le cerveau humain fait ce qu'il fait toujours : il fait confiance à ce qui lui semble plus fiable visuellement. Cette dynamique crée un angle mort systémique dans les services d'imagerie qui adoptent ces outils sans protocole de vérification.

Il n'existe aujourd'hui aucune obligation réglementaire en Europe ou aux États-Unis d'afficher un avertissement lorsqu'une image IRM a été reconstruite par IA. Le patient ne le sait pas. Souvent, le radiologue non plus.

Ce que les professionnels de santé devraient exiger dès maintenant

La solution n'est pas de rejeter l'IA médicale — ses apports en vitesse de diagnostic et en détection précoce sont réels. Mais plusieurs garde-fous sont indispensables :

• Traçabilité obligatoire : toute image reconstruite par IA doit être clairement identifiée comme telle dans le dossier patient
• Double lecture systématique : les images IA ne devraient pas remplacer, mais accompagner les données brutes pour les cas à risque
• Formation spécifique : les radiologues doivent apprendre à identifier les signatures visuelles des artefacts IA — une compétence absente des cursus actuels
• Benchmarks indépendants : les performances des modèles doivent être testées non seulement sur la qualité visuelle, mais sur la fidélité clinique

Une technologie puissante qui avance plus vite que ses garde-fous

Le problème des hallucinations en IA médicale n'est pas anecdotique. Il est structurel. Ces modèles sont optimisés pour produire des images qui ressemblent à des images médicales, pas nécessairement des images qui reflètent fidèlement la réalité biologique du patient.

Tant que les protocoles de validation clinique ne seront pas alignés sur cette réalité, l'IA en imagerie restera une boîte noire dans la chaîne diagnostique — puissante, prometteuse, et potentiellement dangereuse pour ceux qui lui font une confiance aveugle.

La prochaine fois que vous passez une IRM, posez une question simple à votre médecin : cette image a-t-elle été reconstruite par un algorithme ? Son hésitation — ou son ignorance — vous dira tout ce que vous devez savoir sur l'état actuel de la transparence en IA médicale.

— Reservoir Live