RadioRAG : un outil pour renforcer la fiabilité des LLMs en radiologie
L’usage des grands modèles de langage (Large Language Models, LLMs) en radiologie suscite un intérêt croissant, mais leur manque de fiabilité freine encore leur application clinique.
Cette étude franco-allemande propose RadioRAG, un système de génération augmentée par récupération (RAG) connecté en temps réel à Radiopaedia.org - une base de données collaborative et en libre accès - conçu pour améliorer la qualité et la factualité des réponses à des questions cliniques en radiologie.
Deux jeux de questions ont été constitués à partir de cas cliniques publiés par la RSNA, puis validés par des radiologues experts. Plusieurs LLMs (GPT-3.5, GPT-4, Mixtral, LLaMA, etc.) ont été testés, avec ou sans l’aide de RadioRAG.
L’intégration de données contextuelles issues de sources en ligne améliore la précision de certains modèles (jusqu’à +11 %), réduit les hallucinations (6 à 25 %) - c’est-à-dire les réponses incorrectes ou inventées générées par l’IA - et surpasse les performances d’un radiologue dans certains cas.
Ce système open-source constitue une avancée vers des outils cliniques d’aide au diagnostic plus sûrs, transparents et actualisés.
Référence :
Tayebi Arasteh S et al. RadioRAG: Online Retrieval–Augmented Generation for Radiology
Question Answering. Radiology: AI. 2025; 7(4):e240476. https://doi.org/10.1148/ryai.240476
Pour aller plus loin :
Bhayana R. Chatbots and Large Language Models in Radiology: A Practical Primer for Clinical
and Research Applications. Radiology.
2024;310(1):e232756. https://doi.org/10.1148/radiol.232756
Tayebi Arasteh S. RadioRAG – Radiology Retrieval-Augmented Generation [code source].
GitHub; 2024. Disponible à : https://github.com/tayebiarasteh/RadioRAG