Intelligence artificielle et imagerie d’opportunité en débat. Quelles limites des algorithmes ?
Dans le cadre de la prévention, il est actuellement possible, par une action volontaire du radiologue, d’extraire d’un scanner, même a posteriori, des biomarqueurs de phénotypes de risque, indépendamment de l’indication de l’examen. Par exemple, lors d’un scanner effectué dans un contexte d’accident de la voie publique, il est possible d’extraire les indices de sarcopénie, ostéopénie, score calcique, etc. L’imagerie d’opportunité (IO), ainsi définie, et sans encadrement précis en matière de population cible, se distingue donc du dépistage organisé et des détections fortuites.
Ce développement de l’IO bénéficie du développement parallèle de méthodes d’intelligence artificielle (IA), en particulier de méthodes d’IA statistiques, par apprentissage profond, qui s’appuient sur de grandes bases de données. Dans le contexte de l’IO, ces méthodes consistent à entraîner un algorithme à détecter des biomarqueurs, puis à appliquer l’algorithme entraîné sur les images de nouveaux patients. Si l’IA dite générative (utilisée pour produire du texte ou des images artificielles) est un sujet de controverse, les méthodes d’IA dédiées à l’analyse de données, en particulier d’images, suscitent moins de questions, et leur apport est souvent mis en avant sans grande réserve pour les applications en santé. Leur développement et leur utilisation nécessitent cependant une réflexion pluridisciplinaire et un contrôle par les experts humains à toutes les étapes.
Une première question est celle de la validation humaine. Comment valider un paramètre sans image ? S’il est accepté qu’un algorithme peut être capable de détecter des signes difficilement visibles, même pour un œil exercé, sa validation n’est pas aisée. Lorsqu’il s’agit de prédiction, la question est encore plus complexe. Des études rétrospectives permettent de valider des prédictions faites à un instant t en fonction des résultats d’examens à des dates ultérieures. En revanche, la situation est bien différente pour des études prospectives, où la détection d’un signe ou d’un paramètre peut induire des changements de parcours de soins pour une personne, et donc de ce qui avait été prédit.
Une autre question importante est celle des biais. La machine peut-elle « se tromper », et si oui, pourquoi ? Les techniques d’apprentissage mises en œuvre dans ce type de méthodes demandent de grandes bases de données, acquises sur une certaine population. Le choix de cette population, aussi large soit-elle, induit nécessairement des biais (âge des sujets, sexe, habitudes socio-culturelles, origine géographique, langue parlée…), et pose la question de l’égalité d’accès à ces techniques.
Avant d’utiliser un algorithme, une information claire sur les données utilisées, les résultats, les performances et les conditions d’utilisation est indispensable. Au-delà de la performance, il est aussi important de vérifier que les algorithmes sont généralisables à des domaines plus étendus (par exemple pour une population différente), et robustes à des variations dans les données (dues par exemple à des modifications des scanners ou des protocoles d’acquisition).
La nature statistique de ces méthodes les rend bien adaptées à l’analyse de population, sous réserve d’une bonne représentativité, par exemple pour définir des politiques publiques. En revanche, le passage à un individu est beaucoup plus difficile, à la fois pour tirer des conclusions pertinentes et pour informer le patient. Par exemple, faut-il définir un seuil sur une statistique pour informer le patient ? Les recherches récentes sur l’interprétabilité et l’explicabilité de systèmes d’intelligence artificielle pourront contribuer à ce débat, qui n’est pas encore tranché.
Cette question d’information a posteriori, une fois les résultats obtenus, s’accompagne de la nécessité d’une information a priori, avant l’examen, et avant l’utilisation d’algorithmes pour l’imagerie d’opportunité.
Les questions d’éthique se posent, et n’ont pas de réponse définitive, même si des pistes peuvent être trouvées dans le domaine de l’analyse génétique. Doit-on utiliser des algorithmes pouvant détecter des biomarqueurs n’ayant rien à voir avec l’indication initiale ? Quand, comment, pourquoi, avec quels garde-fous ? Autant de questions auxquelles seule une réflexion pluridisciplinaire et adaptée à chaque patient pourra peut-être apporter des réponses.
Isabelle Bloch
Sorbonne Université, CNRS, LIP6, Paris
Remerciements à Catherine Adamsbaum, Alain Luciani, et au Groupe de réflexion Éthique de la Société Française de Radiologie.
Références :
C. Adamsbaum, I. Bloch, P. Champsaur, A. Luciani, H. Monnier, R. Pommier, A. Rayapoullé : Intelligence artificielle et imagerie opportuniste – enjeux et points de vigilance. Journal d'imagerie diagnostique et interventionnelle, vol. 8, pp. 155-159, 2025.
J.D. Laredo : Imagerie opportuniste : un nouvel outil pour une politique de santé préventive. Bulletin de l’Académie Nationale de Médecine, vol. 208, pp. 215-225, 2024.
A. Luciani : Imagerie d’opportunité : enjeux scientifiques et questions éthiques. La Revue du Praticien, vol. 75, pp. 837-840, 2025.
P. J. Pickhardt : Value-added opportunistic CT screening: state of the art. Radiology, vol. 303, pp. 241-254, 2022.