IA en imagerie : une (r)évolution contrôlée ?
Alors que ces technologies promettent une (r)évolution de notre pratique, il devient essentiel de procéder à une évaluation critique rigoureuse de leur efficacité, sécurité, et pertinence clinique. Cet article explore les défis liés à l'évaluation des solutions d'IA en imagerie, avec un regard particulier sur les perspectives des IA génératives.
Qui parmi les médecins à plus d’expérience en IA qu’un radiologue quand 90% des solutions d’IA en santé utilisées en routine le sont en radiologie ?
Ainsi notre profession a la responsabilité d’éclairer la route de la mise en place et de l’évaluation des outils d’intelligence artificielle.
L'évaluation des solutions d'IA en radiologie ne peut se limiter à une simple validation technique ou à une mesure de performance en conditions contrôlées(1). Il est impératif de considérer l'efficacité clinique des outils, c'est-à-dire leur capacité à produire des résultats cliniquement significatifs dans des contextes réels. Cela inclut la prise en compte de facteurs tels que la diversité des populations de patients(2), les variations des protocoles d'imagerie, et la capacité des solutions d'IA à s'adapter aux évolutions des pratiques médicales. Une étude récente a montré que l'efficacité des radiologues utilisant des systèmes d'IA pouvait être inférieure aux performances des modèles d'IA autonomes, en raison d'une adoption hésitante ou d'une méfiance envers les recommandations générées par l'IA (3).
La selection des outils d'IA, c'est-à-dire le processus de sélection, validation, et amélioration continue des algorithmes utilisés en clinique, est cruciale pour assurer la fiabilité et l'efficacité de ces technologies. Des initiatives publiques (4) et privées ( Plateformes d'IA) jouent un rôle central dans ce processus, en permettant l'intégration de nouveaux modèles, leur validation sur des données diversifiées, et leur surveillance continue pour détecter d'éventuelles dérives ou biais.
Une gouvernance robuste du déploiement au sein des institutions, souvent assurée par des figures émergentes telles que le Chief Health AI Officer (5), est essentielle pour superviser cette selection et garantir que les outils déployés respectent les normes éthiques, de sécurité, et de performance.
Après une première (r)évolution dans l’aide au diagnostic sur l’image, l’avènement des IA génératives promet une (r)évolution dans le compte rendu radiologique.
Les modèles de langage large comme GPT4o portent en eux un formidable potentiel d’amélioration de qualité des compte rendu radiologique, par leur capacité à identifier et corriger des erreurs et à mobiliser en face de nos texte un corpus de connaissance médicale(6).
Le recours à ces comptes rendus, intégrant des informations préremplies et structurées par l'IA, représente une avancée dans la standardisation des diagnostics et le suivi des performances des algorithmes. Ces comptes rendus permettent non seulement d'améliorer la cohérence des diagnostics, mais aussi de fournir un retour d'information en temps réel, favorisant ainsi une amélioration continue des outils d'IA.
Conclusion : L'avenir de la radiologie est indéniablement lié à l'intelligence artificielle, mais pour tirer pleinement parti de cette révolution technologique, il est crucial d'adopter une approche rigoureuse et critique. L'évaluation des solutions d'IA doit aller au-delà des simples tests de performance, pour inclure une analyse de leur impact clinique, une utilisation judicieuse des comptes rendus structurés, et une sélection continue sur des plateformes dédiées. En combinant innovation et responsabilité, la radiologie peut ainsi naviguer avec succès dans cette nouvelle ère technologique.
Références
1. Herpe G, Feydy A, D’Assignies G. Efficacy versus Effectiveness in Clinical Evaluation of Artificial Intelligence Algorithms for Medical Diagnosis: The Award Goes to Effectiveness. Radiology. 2023;307(5):e223132. doi: 10.1148/radiol.223132.
2. Dulaney A, Virostko J. Disparities in the Demographic Composition of The Cancer Imaging Archive. Radiology: Imaging Cancer. Radiological Society of North America; 2024;6(1):e230100. doi: 10.1148/rycan.230100.
3. Herpe G, D’Assignies G, Tang A. Overcoming “Fear of AI” Bias: Insights from the Technology Acceptance Model. Radiographics. 2024;44(8):e240167. doi: 10.1148/rg.240167.
4. L’intelligence artificielle en radiologie. DRIM France IA. https://www.drim-ia.com/. Accessed September 4, 2024.
5. Beecy AN, Longhurst CA, Singh K, Wachter RM, Murray SG. The Chief Health AI Officer — An Emerging Role for an Emerging Technology. NEJM AI. Massachusetts Medical Society; 2024;1(7):AIp2400109. doi: 10.1056/AIp2400109.
6. Visser JJ. The unquestionable marriage between AI and structured reporting. European Radiology. 2024; doi: 10.1007/s00330-024-11038-2.