L’intelligence artificielle (IA) est sur le point d’inaugurer une nouvelle ère des soins de santé, où l’imagerie médicale alimentée par l’IA augmente la valeur diagnostique et l’efficacité, et permet aux cliniciens de prendre des décisions plus précises.
Les entreprises d’imagerie médicale comme Philips sont à l’avant-garde, intégrant l’IA dans des dispositifs médicaux avancés tels que les IRM et les scanners CT pour améliorer la vitesse et la précision des diagnostics1Philips. (s. d.). MR SmartSpeed fast imaging technology. https://www.usa.philips.com/healthcare/resources/landing/smartspeed.
Les institutions publiques ne sont pas loin derrière, y compris le National Health Service au Royaume-Uni, qui teste un dépistage du cancer du sein activé par l’IA visant à détecter le cancer plus tôt et plus précisément pour jusqu’à 700 000 femmes2Largest trial of AI in breast cancer screening launched. Venkatesan, Priya. The Lancet Oncology, Volume 26, Issue 3, 285. Au-delà du diagnostic, l’IA aide même les cliniciens à prendre des décisions plus précises en chirurgie en visualisant les structures vertébrales pour la planification chirurgicale de la colonne, sans exposer le patient aux radiations des scanners CT3Rommelspacher, Y., Schulte, A. P., Tanner, S., Schellhammer, F., Kling, S., Seevinck, P., Sangüesa, M. G., & Strauss, A. C. (2025). Evaluation of MRI technologies for surgical spine planning and navigation. European Spine Journal. https://doi.org/10.1007/s00586-025-08703-5.
Ces avancées soulignent le potentiel de l’IA à alléger les pressions sur les systèmes de santé et à améliorer la prise en charge des patients. Toutefois, certaines questions demeurent : à quoi ressemblera le déploiement de l’IA au niveau clinique ? Quel est le désir d’adoption chez les professionnels de santé (HCP) ? Et dans quel délai attendons-nous le basculement vers l’adoption de l’IA ? Dans cet article, Alcimed explore ces questions critiques et vise à fournir des informations clés pour les organisations de santé qui naviguent dans cette évolution technologique.
Jusqu’à présent, un mécanisme important de déploiement de l’IA dans les cliniques a été celui des entreprises d’imagerie médicale développant des algorithmes propriétaires, ensuite intégrés dans leurs portefeuilles technologiques. Des entreprises comme Philips, Siemens Healthineers et GE Healthcare travaillent toutes sur une IA intégrée dans leurs scanners qui aide les cliniciens en améliorant la qualité et la vitesse des images, avec pour objectif d’augmenter la valeur diagnostique des images médicales et de renforcer la confiance dans les interventions médicales1AI-Rad Companion. (s. d.). Siemens Healthineers USA. https://www.siemens-healthineers.com/en-us/digital-health-solutions/ai-rad-companion2SIGNA MR Vision. (s. d.). GE HealthCare (United States). https://www.gehealthcare.com/products/magnetic-resonance-imaging/signa-mr-vision. En créant des solutions d’IA propriétaires adaptées à leurs équipements, ces entreprises cherchent à rendre l’intégration clinique simple, fiable et complète. À mesure que l’adoption de l’IA croît, une concurrence apparaîtra entre ces entreprises sur la base de leurs écosystèmes d’IA intégrés. Le fournisseur leader sera celui qui offrira aux cliniciens les algorithmes les plus fonctionnels et de la plus haute qualité, tels que la segmentation d’images, la quantification morphologique et le soutien au diagnostic.
Un autre scénario d’adoption de l’intelligence artificielle est l’émergence de développeurs “indépendants” créant des algorithmes d’IA pour l’imagerie médicale. Tandis que les grandes entreprises créent des algorithmes agnostiques en termes de tâche (c’est-à-dire axés sur l’amélioration de la technologie d’imagerie elle-même), de plus petits développeurs tiers adoptent une approche différente en créant des algorithmes spécialisés dans des tâches spécifiques pour maximiser leurs performances, par exemple la détection de tumeurs3Wang, X., Zhao, J., Marostica, E., Yuan, W., Jin, J., Zhang, J., Li, R., Tang, H., Wang, K., Li, Y., Wang, F., Peng, Y., Zhu, J., Zhang, J., Jackson, C. R., Zhang, J., Dillon, D., Lin, N. U., Sholl, L.,. . . Yu, K. (2024). A pathology foundation model for cancer diagnosis and prognosis prediction. Nature, 634(8035), 970‑978. https://doi.org/10.1038/s41586-024-07894-z. L’objectif de ces développeurs est que les cliniques choisissent leurs algorithmes sur la base de la recherche de la meilleure performance possible pour une application particulière. Ces algorithmes sont ensuite intégrés dans les systèmes d’information en radiologie (RIS) et dans les systèmes d’archivage et de transmission d’images (PACS) des cliniques pour faciliter le déploiement. Dans ce scénario, le résultat à long terme serait la domination de plateformes d’intermédiation émergentes, agissant comme un “app store” d’algorithmes que les cliniques peuvent sélectionner librement, où plusieurs gagnants peuvent coexister en devenant l’algorithme de plus haute qualité pour une application donnée.
L’avenir du déploiement de l’IA pourrait finalement se situer entre les deux, avec chaque scénario survenant à des rythmes différents, des modèles hybrides permettant des partenariats entre fabricants d’équipements et plateformes d’intermédiation, ou des développeurs indépendants agissant directement.
Alors que le déploiement de l’IA dans les cliniques est en cours, le prochain obstacle que les acteurs de l’IA devront surmonter est la volonté des cliniciens d’intégrer l’IA dans leurs processus actuels. Certains cliniciens expriment des préoccupations quant à la fiabilité de l’IA et à son potentiel à remplacer le raisonnement humain. D’autres s’inquiètent de l’intégrité des données cliniques des patients, et du risque que l’IA les remplace totalement en clinique.
Cependant, l’opinion populaire considère l’IA comme un outil complémentaire sûr et robuste qui améliore la précision et l’efficacité du diagnostic, à l’image d’autres outils déjà adoptés en clinique. Par exemple, à l’Hôpital universitaire de La Corogne (CHUAC) en Espagne, l’IA a été intégrée aux services de radiodiagnostic pour améliorer la précision et la rapidité, notamment en contexte d’urgence4Ser, C. (2024, 26 novembre). Cadena SER. Cadena SER. https://cadenaser.com/galicia/2024/11/26/la-inteligencia-artificial-revoluciona-el-radiodiagnostico-en-el-chuac-radio-coruna/. De même, Northwell Health à New York a développé un outil IA appelé iNav pour détecter plus tôt le cancer du pancréas en analysant les IRM et scanners CT réalisés pour d’autres raisons, réduisant le délai entre diagnostic et traitement de 50 %5Wilser, J. (2024, 30 octobre). Catching cancer early. TIME. https://time.com/7094712/northwell-health-inav/. Ces exemples montrent que lorsque les outils d’IA sont conçus pour soutenir plutôt que remplacer les cliniciens, il y a une plus grande volonté de leur part de prendre le temps d’apprendre à utiliser l’équipement et de l’intégrer dans leur pratique.
De plus, le déploiement de l’IA a montré qu’il réduit les erreurs de diagnostic et améliore les résultats pour les patients, renforçant la confiance et l’acceptation des professionnels de santé. Les initiatives de formation, comme les ateliers, séminaires et conférences, peuvent également être des leviers puissants pour les développeurs. Alors que la technologie IA continue d’évoluer, une collaboration continue entre développeurs et cliniciens sera essentielle pour répondre aux inquiétudes et assurer une adoption fluide dans les flux de travail cliniques.
Découvrez comment notre équipe peut vous aider à organiser vos workshops >
L’IA progresse particulièrement en imagerie cardiologique et oncologique, menant à des améliorations notables dans la qualité des soins aux patients. En cardiologie, les algorithmes d’IA aident à analyser les échocardiogrammes et à détecter les arythmies, augmentant la précision et l’efficacité des diagnostics.
Par exemple, des chercheurs de l’Université du Texas à San Antonio développent des algorithmes d’IA pour faire progresser l’imagerie coronaire, offrant des évaluations en temps réel de la santé cardiaque pour des soins préventifs. Dans l’industrie, Nanox.AI utilise l’IA pour identifier des pathologies chroniques asymptomatiques et non détectées, comme la calcification des artères coronaires, en analysant des scanners CT de routine, avec des algorithmes approuvés par la FDA6Nanox. (2025, 17 février). Nanox.AI – Nanox. https://www.nanox.vision/ai/#broad-suite-of-fda-510k-cleared-solutions.
En oncologie, l’IA aide à la détection précoce des cancers et à la planification des traitements. Des modèles d’IA comme CHIEF, développé par la Harvard Medical School, ont montré une grande précision pour détecter divers types de cancers et prédire les taux de survie, ce qui pourrait réduire le besoin de séquençage ADN coûteux7Williams, R. (2025, 6 février). Prostate cancer and AI : the exciting advances that could transform treatment. The Guardian. https://www.theguardian.com/research-to-reality/2025/jan/24/prostate-cancer-and-ai-the-exciting-advances-that-could-transform-treatment. Des chercheurs de la Queen’s University Belfast déploient l’IA pour analyser des images de pathologie numérique, en prédisant le comportement du cancer et la réponse aux thérapies hormonales, faisant ainsi progresser les stratégies de traitement personnalisé pour les patients atteints de cancer de la prostate8Pesheva, B. E. (2024, 12 décembre). A New Artificial Intelligence Tool for Cancer. Harvard Medical School. https://hms.harvard.edu/news/new-artificial-intelligence-tool-cancer.
La cardiologie et l’oncologie se distinguent dans l’adoption de l’IA en raison d’un mélange d’urgence médicale et de taille de marché. À l’inverse, des domaines comme l’orthopédie sont à la traîne, en raison d’un nombre plus faible de pathologies vitales et d’un volume inférieur de décisions guidées par l’imagerie. L’adoption de l’IA dans ces domaines pourrait croître à mesure que les capacités de l’IA s’étendent à la planification chirurgicale, la modélisation prédictive des résultats, et les stratégies de réhabilitation personnalisées.
Malgré les avancées prometteuses de l’IA, une adoption généralisée de l’IA en imagerie médicale devrait se produire progressivement au cours de la prochaine décennie. Selon Precedence Statistics, le marché mondial de l’IA en imagerie médicale était évalué à 1,28 milliard USD en 2024 et devrait atteindre environ 14,46 milliards USD d’ici 2034, les hôpitaux et cliniques représentant la plus grande part de marché (64,80 % en 2024)9Statistics, P. (2025, 13 février). AI in Medical Imaging Market Size Projected to Reach USD 14.46 Bn By 2034. GlobeNewswire News Room. https://www.globenewswire.com/news-release/2025/02/13/3026027/0/en/AI-in-Medical-Imaging-Market-Size-Projected-to-Reach-USD-14-46-Bn-By-2034.html#:~:text=The%20global%20AI%20in%20medical,27.10%25%20from%202025%20to%202034.&text=Ottawa%2C%20Feb.. Cette tendance montre un fort appétit pour les technologies IA en clinique, avec un doublement biannuel de la taille totale du marché de l’IA dans les établissements de santé.
Avec cette trajectoire, nous nous attendons à plusieurs jalons clés dans les 2 à 5 prochaines années, notamment : l’élargissement des autorisations réglementaires, l’intégration technique aux infrastructures de santé existantes, davantage de preuves cliniques de l’impact de l’IA sur les résultats des patients, la mise en place d’initiatives de formation clinique, et un renforcement de la confiance des cliniciens.
Faire appel à des consultants expérimentés peut aider les organisations de santé et les développeurs IA à naviguer dans la complexité de l’intégration de l’IA, en assurant l’alignement avec les objectifs cliniques et les exigences réglementaires. Nautilus.ai, l’équipe Data & IA d’Alcimed, est prête à vous accompagner dans l’exploration de ces opportunités. N’hésitez pas à contacter notre équipe !
À propos des auteurs,
Steven, Consultant senior santé chez Nautilus.ai, équipe Data & IA d’Alcimed aux États-Unis.
Matthieu, Manager chez Nautilus.ai, équipe Data & IA d’Alcimed aux États-Unis.
Data - IA
Cas d'utilisation n°1 : amélioration de l'observance du traitement grâce à des rappels de traitement et à la gestion des médicaments Dans le domaine très complexe des soins de santé, le ...
Data - IA
L’intelligence artificielle a fait sa place auprès de nombreuses spécialités comme outil d’aide au diagnostic médical. Mais comment est-elle utilisée et quels défis restent à relever ?
Data - IA
État des lieux actuels de l’infertilité et des traitements de PMA disponibles Les causes de la hausse de l’infertilité en France D’après le dernier rapport publié par l’Organisation ...