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 modèles. Si l’apprentissage profond pouvait battre les humains aux images, de nombreuses personnes supposaient que le reste s’effondrerait comme des dominos.

Maintenant, nous avons suffisamment de recul pour juger cette prise en compte correctement. La version courte est que les radiologues sont toujours là, toujours surchargés et toujours en demande. Dans des endroits comme la Mayo Clinic, 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 de 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 de la partie image et tort de la partie travail

La revendication originale a fait une énorme hypothèse : que la lecture d’images est essentiellement le travail entier et que la médecine est aussi facile que la comptabilité en termes de mise en œuvre de l’IA. C’est la partie sur laquelle les personnes de l’IA se sont concentrées, car elle se cartographiait nettement sur la culture des références.

Alimenter les scans, former un modèle, comparer les sorties, déclarer un gagnant. La radiologie clinique n’a jamais été aussi propre. Les radiologues cliniques interprètent des images, oui, mais ils dirigent également des cliniques, prélevent des échantillons de biopsie, préparent les patients à 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 une analyse”.
Une fois que vous arrêtez de réduire la spécialité à l’étiquetage d’images, la prédiction manquée commence à avoir beaucoup 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 projeté 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 à la tête de l’extinction. Cela décrit un système qui essaie de suivre. La mise à jour de la main-d’œuvre de l’ACR en 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

Rien de tout cela ne signifie 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 plus grands regroupements de ces outils. Même les premières enquêtes hospitalières ont constaté que la radiologie était l’endroit 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 services de radiologie américains. Cela signifie 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 de la liste de travail et le soutien du flux de travail. Dans la pratique, cela signifie que les cas urgents sont affichés plus rapidement, que les images sont affinées, que l’aide est apportée pour la quantification, que les anomalies probables sont signalées et que l’aide à la rédaction de rapports qui occupe tant de temps aux radiologues est de plus en plus assistée. 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 bien intégrés et étroits 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 ajoutés. 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 sérieuse. C’est également une victoire de flux de travail, et non une histoire de remplacement propre.

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

L’un des contrôles de réalité les plus utiles 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 amélioré tout le monde de la même manière. Certains radiologues se sont améliorés avec. Certains se sont détériorés. L’effet dépendait du clinicien et de la qualité du modèle. Le résumé de Harvard de l’étude 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 le comportement d’une technologie de remplacement prête à l’emploi.

L’intégration est un autre mur de briques que la prédiction de 2016 n’a que très peu pris en compte. Une révision récente sur l’intégration efficace de l’IA en radiologie a noté que les systèmes actuels ont toujours du mal à intégrer les données cliniques et l’imagerie ou les données précédentes ou concomitantes, ce qui peut entraîner des erreurs.

Les données de déploiement réel du monde 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 déclaration. 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 piloting et un suivi minces. La FDA exige toujours un examen préalable au marché pour de nombreux dispositifs, et juste ce mois-ci, a rejeté une pétition qui cherchait à assouplir les exigences d’examen pour certains produits d’IA de radiologie, en invoquant des préoccupations de sécurité et de performance. En plus de cela, la responsabilité juridique aux États-Unis repose toujours en grande partie sur le médecin, et le sentiment des patients reste assez clair : les gens aiment peut-être l’IA en principe, mais ils veulent toujours une surveillance humaine dans la boucle.

Conclusion

Où sommes-nous ? Nous ne sommes pas dans le monde que l’ancien titre promettait. Nous sommes dans un monde plus croyable, où la radiologie est devenue l’un des principaux terrains de test de l’IA en médecine, mais la spécialité elle-même est restée debout parce que le travail était plus large, plus clinique et plus socialement responsable que la prédiction ne l’avait supposé.

Cela signifie également que la prochaine question ne devrait pas être de savoir si l’IA remplace les radiologues. Ce cadre est devenu désuet. La question la plus pertinente est de savoir qui absorbe les gains de productivité, de savoir si les outils sont sûrs dans des paramètres réels complexes et si un meilleur logiciel atténue l’épuisement professionnel ou simplement élève les attentes pour des équipes déjà tendues.

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