Tout le monde parle d'IA en radiologie. Personne ne montre ses 5 vraies limites.

L'IA lit un scanner en 0,3 secondes. Et pourtant, les radiologues ne dorment pas sur leurs lauriers.

Depuis quelques années, les algorithmes d'intelligence artificielle détectent des nodules pulmonaires, des fractures subtiles ou des lésions rétiniennes avec une précision qui fait la une des revues médicales. Mais si ces outils sont si performants, pourquoi aucun hôpital sérieux n'a-t-il encore remplacé son radiologue par un serveur ? La réponse est plus nuancée — et plus instructive — qu'on ne le croit.

Ce que l'IA fait vraiment bien en radiologie

Soyons honnêtes : les systèmes d'IA actuels accomplissent des tâches précises avec une efficacité remarquable. Des outils comme Aidoc, Deepmind's AlphaFold ou Zebra Medical Vision ont démontré des performances équivalentes — voire supérieures — à celles de spécialistes humains sur des tâches bien définies :

• Détection de pneumothorax sur des radiographies thoraciques
• Identification de microhémorragies cérébrales en IRM
• Triage automatique des examens urgents
• Mesure volumétrique de tumeurs au fil du temps

Ces capacités sont réelles, utiles, et déjà déployées dans des établissements cliniques. Mais elles révèlent précisément la nature de ces systèmes : des outils ultra-spécialisés, entraînés sur des tâches étroites, dans des conditions contrôlées.

Limite n°1 : la dépendance aux données d'entraînement

Un modèle d'IA apprend à reconnaître des patterns dans des milliers d'images labellisées. Le problème ? Il ne voit que ce pour quoi il a été entraîné. Un algorithme formé sur des scanners acquis avec un appareil Siemens peut perdre jusqu'à 15 % de précision lorsqu'on lui soumet des images produites par un équipement GE ou Philips — même si le contenu clinique est identique. Cette fragilité, appelée domain shift, est un obstacle majeur au déploiement universel.

Limite n°2 : l'absence de raisonnement clinique contextuel

Un radiologue ne lit pas une image dans le vide. Il connaît l'âge du patient, ses antécédents, les symptômes décrits par le clinicien, les traitements en cours. Il intègre une histoire médicale pour moduler son interprétation. L'IA, elle, reçoit généralement une image — et seulement une image. Elle ne sait pas que la "masse" qu'elle signale est en réalité un ganglion post-chirurgical connu depuis trois ans. Cette décontextualisation génère des faux positifs qui, dans un contexte clinique réel, se traduisent par des examens complémentaires inutiles, du stress pour les patients et des coûts supplémentaires.

Limite n°3 : le problème des cas rares et des présentations atypiques

Les maladies rares, les présentations atypiques, les pathologies combinées : voilà le terrain où l'IA trébuche. Un réseau de neurones est statistiquement excellent sur les cas fréquents — ceux qui constituaient la majorité de ses données d'entraînement. Mais en médecine, les cas les plus dangereux sont souvent les moins communs. Un lymphome présentant une image radiologique inhabituelle, une infection fongique chez un immunodéprimé : ce sont précisément ces situations qui nécessitent l'expérience accumulée d'un expert humain.

Limite n°4 : l'incapacité à évaluer la qualité technique de l'image

Un radiologue expérimenté sait immédiatement si un examen est interprétable ou non : patient mal positionné, artefacts de mouvement, exposition insuffisante. Il peut refuser de conclure sur une image non diagnostique et demander une répétition. La plupart des systèmes d'IA actuels rendent quand même un résultat sur des images dégradées, avec une confiance affichée qui peut être trompeuse pour un non-spécialiste.

Limite n°5 : la responsabilité médicale et légale

C'est la limite systémique la plus souvent ignorée dans les discussions technologiques. En France comme dans la plupart des pays, la signature d'un compte-rendu radiologique engage la responsabilité d'un médecin. L'IA ne peut pas être poursuivie en justice. Elle ne peut pas comparaître devant un conseil de l'ordre. Ce cadre légal n'est pas un archaïsme bureaucratique — c'est la garantie que quelqu'un, in fine, répond de la décision médicale devant le patient.

Alors, quel est le vrai rôle de l'IA en radiologie ?

Le modèle qui émerge des déploiements cliniques les plus réussis est celui de l'augmentation, pas du remplacement. L'IA effectue un premier passage, signale les anomalies prioritaires, mesure les structures avec précision et libère le radiologue des tâches répétitives à faible valeur ajoutée. Le radiologue, lui, contextualise, nuance, valide et assume la responsabilité finale.

C'est d'ailleurs ce modèle que défendent les grandes sociétés savantes comme la Société Française de Radiologie (SFR) : une intégration progressive, encadrée, avec une formation des praticiens aux spécificités et aux limites des outils qu'ils utilisent.

Ce que cela change pour vous — patient ou professionnel

Si vous êtes patient, retenez que l'IA dans votre hôpital signifie probablement que vos examens urgents seront traités plus vite — pas que votre radiologue a disparu. Si vous êtes professionnel de santé, la vraie compétence à développer n'est pas de savoir utiliser ces outils, mais de savoir quand ne pas leur faire confiance.

L'IA en radiologie n'est pas une menace existentielle pour la profession, ni une solution miracle à la désertification médicale. C'est un outil puissant, avec des angles morts bien réels. Et comme tout outil, sa valeur dépend entièrement de la main qui le tient.

— Reservoir Live