La prédiction “l’IA remplacera les radiologues” a neuf ans. Où en sommes-nous ?

Il y a neuf ans, l’une des voix les plus influentes de l’IA a déclaré que les gens devraient “arrêter de former des radiologues maintenant”. En 2016, cela ressemblait à une prédiction que seul un technologue courageux oserait faire à voix haute. La vision par ordinateur progressait rapidement, l’imagerie médicale semblait être un ajustement parfait et la radiologie semblait, de l’extérieur, être une spécialité construite autour de la reconnaissance de motifs. Si l’apprentissage profond pouvait battre les humains aux images, de nombreuses personnes supposaient que le reste tomberait comme des dominos.

Maintenant, nous avons suffisamment de recul pour juger cette prise de position de manière appropriée. La version courte est que les radiologues sont toujours là, toujours surchargés et toujours en demande. Dans des endroits comme la clinique Mayo, le personnel de radiologie a augmenté de manière significative depuis cette prédiction, tandis que l’American College of Radiology et Neiman HPI ont continué à avertir de la tension sur la main-d’œuvre et de la demande croissante d’imagerie. La prophétie n’a pas abouti. La question la plus intéressante est de savoir pourquoi.

La prédiction a eu raison sur l’image, mais tort sur le métier

L’affirmation originale a fait une énorme hypothèse : que la lecture d’images est essentiellement le métier entier et que la médecine est aussi facile que la comptabilité en termes d’implémentation de l’IA. C’est la partie sur laquelle les spécialistes de l’IA se sont concentrés, car elle correspondait parfaitement à la culture des benchmarks.

Alimenter les scanners, former un modèle, comparer les sorties, déclarer un gagnant. La radiologie clinique n’a jamais été aussi simple. Les radiologues cliniques interprètent les images, oui, mais ils dirigent également des cliniques, prennent des échantillons de biopsie, préparent les patients pour la chirurgie et travaillent directement avec d’autres cliniciens autour des décisions de diagnostic et de traitement.

Ce rôle plus large compte plus que l’ancien cycle d’hype l’a admis. La Société européenne de radiologie décrit les radiologues comme des médecins, des protecteurs, des communicateurs, des innovateurs, des scientifiques et des enseignants. C’est une cible beaucoup plus complexe pour l’automatisation que “personne qui repère les anomalies sur un scan”. Une fois que vous arrêtez de réduire la spécialité à l’étiquetage d’images, la prédiction manquée commence à avoir plus de sens.

Ensuite, il y a le côté de la demande, que le discours de l’IA tend à ignorer chaque fois qu’il devient trop obsédé par la substitution. Neiman HPI a prévu que l’offre de radiologues augmenterait de 25,7 % de 2023 à 2055 dans les conditions actuelles, mais a estimé que la demande d’imagerie pourrait augmenter de 16,9 % à 26,9 % sur la même période en fonction de la modalité.

Cela ne décrit pas une profession qui se dirige vers l’extinction. Cela décrit un système qui essaie de suivre. La mise à jour de la main-d’œuvre de l’ACR pour 2026 fait le même point de base : les pénuries et les volumes croissants exercent une pression réelle sur le domaine en ce moment.

L’IA a absolument changé la radiologie, mais pas de la manière du trailer de film

Cela ne signifie pas que l’IA a échoué. Loin de là. La liste des dispositifs médicaux dotés d’IA de la FDA continue de s’étendre, et la radiologie reste l’un des domaines les plus importants de ces outils. Même les premières enquêtes hospitalières ont constaté que la radiologie était là où la plupart des outils d’imagerie médicale dotés d’IA approuvés par la FDA étaient utilisés, et des rapports plus récents indiquent que l’adoption se propage dans une grande partie des départements de radiologie américains. Cela signifie que le verrouillage des fournisseurs a été éliminé dès le départ.

Ce qui est réellement adopté est éloquent. Les hôpitaux dans l’enquête de Pew utilisaient le plus souvent l’IA pour l’interprétation et l’analyse d’images, la priorisation des listes de travail, et le soutien au flux de travail. Dans la pratique, cela signifie que les cas urgents sont mis en avant plus rapidement, que les images sont affinées, que l’on aide à la quantification, que les anomalies probables sont signalées, et que l’on assiste de plus en plus à la rédaction de rapports qui prend une grande partie du temps des radiologues. C’est une valeur réelle. C’est juste une histoire très différente de salles de lecture vides et de licenciements.

Les preuves les plus solides continuent de pointer dans la même direction : les cas d’utilisation étroits et bien intégrés peuvent fonctionner. Une étude prospective de Nature Medicine sur le dépistage du cancer du sein a constaté qu’un flux de travail de lecteur supplémentaire assisté par l’IA améliorait la détection précoce du cancer avec un minimum de rappels supplémentaires. La RSNA a également mis en évidence des données danoises suggérant que l’IA peut réduire de manière significative la charge de travail de la mammographie sans nuire à la précision de la détection du cancer. C’est une victoire importante. C’est également une victoire de flux de travail, et non une histoire de remplacement pur.

La raison pour laquelle le remplacement est constamment retardé est que la médecine est plus difficile qu’une démo

L’un des rappels les plus utiles à la réalité est venu d’une grande étude de Nature Medicine examinant 140 radiologues sur 15 tâches de radiographie thoracique. L’assistance de l’IA n’a pas amélioré tout le monde de la même manière. Certains radiologues se sont améliorés avec elle. D’autres se sont détériorés. L’effet dépendait du clinicien et de la qualité du modèle. Le résumé de l’étude par Harvard l’a exprimé clairement : les outils d’IA plus solides amélioraient les performances des radiologues, tandis que les outils plus faibles pouvaient les dégrader. Ce n’est pas ainsi qu’une technologie de remplacement à clé fonctionne.

L’intégration est un autre mur de briques que la prédiction de 2016 a à peine pris en compte. Un examen récent sur l’intégration efficace de l’IA en radiologie a noté que les systèmes actuels ont encore du mal à incorporer les données cliniques et les images précédentes ou simultanées, ce qui peut entraîner des erreurs.

Les données de déploiement réel du monde réel d’un réseau d’imagerie suisse ont montré des gains d’efficacité mesurables, mais également des obstacles persistants tels que la mauvaise intégration des rapports et les problèmes de synchronisation, avec seulement une minorité de résultats d’IA disponibles avant la rédaction du rapport. Il s’avère que l’insertion d’un algorithme dans un flux de travail hospitalier est beaucoup plus difficile que de battre un ensemble de test.

Ensuite, il y a la gouvernance, qui ramène constamment la conversation sur terre. Pew a constaté que l’adoption précoce des hôpitaux est souvent venue avec un pilotage et un suivi minces. La FDA exige toujours un examen préalable à la mise sur le marché pour de nombreux dispositifs, et vient juste de rejeter une pétition qui cherchait à assouplir les exigences d’examen pour certains produits d’IA de radiologie, en citant des préoccupations de sécurité et de performance. En outre, la responsabilité juridique aux États-Unis repose toujours en grande partie sur le médecin, et l’opinion des patients reste assez claire : les gens peuvent aimer l’IA en principe, mais ils veulent toujours une surveillance humaine dans la boucle.

Conclusion

Alors, où en sommes-nous ? Nous ne sommes pas dans le monde que l’ancien titre promettait. Nous sommes dans un monde plus crédible, où la radiologie est devenue l’un des terrains de test les plus importants de la médecine pour l’IA, mais la spécialité elle-même est restée debout parce que le métier était plus large, plus clinique et plus socialement responsable que ce que la prédiction supposait.

Cela signifie également que la prochaine question ne devrait pas être de savoir si l’IA remplace les radiologues. Cette formulation est devenue désuète. La question la plus pertinente est de savoir qui absorbe les gains de productivité, à quel point les outils sont sûrs dans des environnements réels complexes, et si de meilleurs logiciels atténuent l’épuisement professionnel ou simplement augmentent les attentes pour des équipes déjà tendues.

Même la position actuelle de Geoffrey Hinton est beaucoup plus proche de la vérité que la citation de 2016. L’avenir ressemble plus à un radiologue plus l’IA qu’à un radiologue contre l’IA. C’est moins dramatique, moins cliquable, et beaucoup plus proche de ce qui se passe réellement.