L\u2019analyse des radiographies du thorax, un examen cl\u00e9 pour d\u00e9tecter des maladies comme la pneumonie ou la tuberculose, a longtemps repos\u00e9 sur l\u2019expertise humaine. Aujourd\u2019hui, l\u2019intelligence artificielle transforme cette pratique en automatisant une partie du processus avec une pr\u00e9cision parfois sup\u00e9rieure \u00e0 celle des radiologues. Les premi\u00e8res m\u00e9thodes utilisaient des algorithmes classiques, bas\u00e9s sur des caract\u00e9ristiques d\u00e9finies manuellement. Aujourd\u2019hui, les r\u00e9seaux de neurones profonds, comme les mod\u00e8les de type convolutional neural networks<\/em> ou transformers<\/em>, permettent de d\u00e9tecter des anomalies avec une fiabilit\u00e9 remarquable. Ces syst\u00e8mes analysent des milliers d\u2019images pour identifier des motifs invisibles \u00e0 l\u2019\u0153il nu, comme des l\u00e9sions ou des opacit\u00e9s, et produisent m\u00eame des rapports radiologiques complets.<\/p>\n Les progr\u00e8s r\u00e9cents int\u00e8grent des mod\u00e8les multimodaux, combinant images et donn\u00e9es cliniques, comme l\u2019historique du patient ou les r\u00e9sultats de laboratoire. Cette approche holistique am\u00e9liore la pr\u00e9cision des diagnostics en croisant les informations visuelles avec le contexte m\u00e9dical. Par exemple, un mod\u00e8le peut d\u00e9sormais g\u00e9n\u00e9rer un rapport d\u00e9taill\u00e9 \u00e0 partir d\u2019une radiographie, en tenant compte des sympt\u00f4mes ou des ant\u00e9c\u00e9dents du patient. Ces avanc\u00e9es r\u00e9duisent aussi les d\u00e9lais d\u2019analyse : dans certains h\u00f4pitaux, le temps moyen pour produire un compte-rendu est pass\u00e9 de plus de dix jours \u00e0 moins de trois, gr\u00e2ce \u00e0 un tri automatique des cas urgents.<\/p>\n Pourtant, des d\u00e9fis persistent. Les mod\u00e8les d\u2019intelligence artificielle peuvent \u00eatre biais\u00e9s si les donn\u00e9es utilis\u00e9es pour leur apprentissage ne sont pas repr\u00e9sentatives de la diversit\u00e9 des patients. Une \u00e9tude a montr\u00e9 que la performance chutait pour certaines populations, comme les femmes ou les personnes issues de minorit\u00e9s ethniques, en raison de d\u00e9s\u00e9quilibres dans les jeux de donn\u00e9es. De plus, le fonctionnement interne de ces syst\u00e8mes reste souvent opaque, ce qui rend difficile la confiance des professionnels de sant\u00e9. Des techniques d\u2019explication, comme les cartes de chaleur qui mettent en \u00e9vidence les zones de l\u2019image ayant influenc\u00e9 le diagnostic, aident \u00e0 rendre ces outils plus transparents.<\/p>\n La g\u00e9n\u00e9ralisation des mod\u00e8les pose un autre probl\u00e8me. Un algorithme entra\u00een\u00e9 dans un h\u00f4pital peut perdre en efficacit\u00e9 lorsqu\u2019il est appliqu\u00e9 \u00e0 des radiographies provenant d\u2019un autre \u00e9tablissement, en raison de diff\u00e9rences dans les \u00e9quipements ou les protocoles. Pour y rem\u00e9dier, les chercheurs explorent des m\u00e9thodes d\u2019adaptation de domaine, qui permettent d\u2019ajuster les mod\u00e8les \u00e0 de nouvelles conditions sans tout r\u00e9apprendre. Le partage de donn\u00e9es entre institutions, bien que complexe en raison des enjeux de confidentialit\u00e9, est aussi une piste pour am\u00e9liorer la robustesse des syst\u00e8mes.<\/p>\n Les bases de donn\u00e9es jouent un r\u00f4le central dans ces avanc\u00e9es. Des ensembles comme ChestX-ray14<\/em>, CheXpert<\/em> ou MIMIC-CXR<\/em> contiennent des centaines de milliers de radiographies annot\u00e9es, permettant d\u2019entra\u00eener des mod\u00e8les toujours plus performants. Certains incluent m\u00eame des rapports radiologiques complets, ce qui facilite l\u2019apprentissage de la g\u00e9n\u00e9ration automatique de textes. Pour les enfants, des jeux de donn\u00e9es sp\u00e9cialis\u00e9s, comme PediCXR<\/em>, aident \u00e0 adapter les outils aux particularit\u00e9s p\u00e9diatriques, souvent diff\u00e9rentes de celles des adultes.<\/p>\n Les mod\u00e8les les plus r\u00e9cents, comme les vision-language models<\/em>, vont encore plus loin. Ils sont capables de r\u00e9pondre \u00e0 des questions sur une radiographie ou de g\u00e9n\u00e9rer des images synth\u00e9tiques r\u00e9alistes \u00e0 partir de descriptions textuelles. Ces innovations ouvrent la voie \u00e0 des applications comme la simulation de cas rares pour am\u00e9liorer l\u2019entra\u00eenement des algorithmes. Cependant, l\u2019utilisation de donn\u00e9es synth\u00e9tiques soul\u00e8ve des questions sur la protection de la vie priv\u00e9e, car certains mod\u00e8les peuvent m\u00e9moriser et reproduire des informations sensibles.<\/p>\n Dans le domaine du texte, les grands mod\u00e8les de langage, comme ceux de la famille BERT<\/em> ou GPT<\/em>, sont de plus en plus utilis\u00e9s pour analyser les rapports radiologiques. Ils extraient automatiquement des informations structur\u00e9es, comme la pr\u00e9sence de certaines pathologies, ou r\u00e9sument des comptes-rendus en quelques phrases cl\u00e9s. Une \u00e9tude a montr\u00e9 que des radiologues avaient du mal \u00e0 distinguer un r\u00e9sum\u00e9 g\u00e9n\u00e9r\u00e9 par une intelligence artificielle d\u2019un texte \u00e9crit par un humain, soulignant la qualit\u00e9 de ces outils. Toutefois, leur d\u00e9ploiement n\u00e9cessite une supervision humaine pour \u00e9viter les erreurs critiques.<\/p>\n \u00c0 l\u2019avenir, l\u2019int\u00e9gration de ces technologies dans les h\u00f4pitaux pourrait encore se g\u00e9n\u00e9raliser. Les syst\u00e8mes d\u2019intelligence artificielle pourraient s\u2019int\u00e9grer directement aux logiciels de gestion des images m\u00e9dicales, en proposant des alertes ou des suggestions en temps r\u00e9el. Des essais cliniques ont d\u00e9j\u00e0 d\u00e9montr\u00e9 que l\u2019assistance par intelligence artificielle r\u00e9duisait les erreurs de diagnostic et am\u00e9liorait la coh\u00e9rence entre les diff\u00e9rents radiologues. Une collaboration \u00e9troite entre d\u00e9veloppeurs, cliniciens et institutions sera essentielle pour surmonter les derniers obstacles et garantir que ces outils r\u00e9pondent aux besoins r\u00e9els des professionnels de sant\u00e9.<\/p>\n DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1038\/s44401-026-00087-y<\/a><\/p>\n Titre\u00a0:<\/strong> Artificial intelligence for chest radiography: an overview of techniques, challenges, and future directions<\/p>\n Revue : <\/strong> npj Health Systems<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Hidetoshi Matsuo; Mizuho Nishio; Koji Fujimoto; Nicolas Deperrois; Takaaki Matsunaga; Farhad Nooralahzadeh; Michael Krauthammer; Takamichi Murakami<\/p>\n","protected":false},"excerpt":{"rendered":" L\u2019intelligence artificielle r\u00e9volutionne-t-elle l\u2019analyse des radiographies pulmonaires L\u2019analyse des radiographies du thorax, un examen cl\u00e9 pour d\u00e9tecter des maladies comme la pneumonie ou la tuberculose, a longtemps repos\u00e9 sur l\u2019expertise humaine. Aujourd\u2019hui, l\u2019intelligence artificielle transforme cette pratique en automatisant une partie du processus avec une pr\u00e9cision parfois sup\u00e9rieure \u00e0 celle des radiologues. Les premi\u00e8res m\u00e9thodes… Poursuivre la lecture L\u2019intelligence artificielle r\u00e9volutionne-t-elle l\u2019analyse des radiographies pulmonaires<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5,2],"tags":[],"class_list":["post-47","post","type-post","status-publish","format-standard","hentry","category-humain","category-sante","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/47","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/comments?post=47"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/47\/revisions"}],"predecessor-version":[{"id":48,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/47\/revisions\/48"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/media?parent=47"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/categories?post=47"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/tags?post=47"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\nSources et cr\u00e9dits<\/h2>\n
\u00c9tude source<\/h3>\n