L'IA dans le diagnostic et l'imagerie médicale

# L'IA dans le diagnostic et l'imagerie médicale

Un patient victime d'un AVC arrive aux urgences. Un scanner est réalisé à 2h14. Normalement, il attend dans une file derrière douze autres examens jusqu'à ce qu'un radiologue s'en occupe. Mais un outil de triage par IA signale une suspicion d'occlusion d'un gros vaisseau (une obstruction d'une artère cérébrale majeure) et remonte le cas en tête de liste. Le neurologue est appelé. Le traitement démarre 40 minutes plus tôt.

Voilà la promesse. Voyons maintenant pourquoi la plupart des IA d'imagerie ne la tiennent pas, et ce qui distingue les outils qui améliorent les résultats cliniques de ceux qui se contentent de générer des alertes.

Ce que fait réellement un algorithme de triage

Commençons par le vocabulaire, car tout en découle.

Une IA d'imagerie ne « lit » pas un examen comme le fait un radiologue. La plupart des outils autorisés font une seule tâche étroite : estimer la probabilité qu'un signe précis soit présent. Occlusion d'un gros vaisseau. Hémorragie intracrânienne. Un nodule pulmonaire suspect. Un poumon affaissé (pneumothorax).

La sortie est en général un nombre entre 0 et 1 : la confiance du modèle. Vous choisissez ensuite un seuil. Au-dessus, le cas est signalé. En dessous, rien ne se passe.

Ce seul choix, où placer le seuil, constitue toute la décision business et clinique. Le reste en découle.

Sensibilité et spécificité : l'arbitrage central

Deux termes définissent la performance diagnostique. Il faut les connaître parfaitement.

• Sensibilité : parmi tous les patients qui ont réellement la pathologie, quelle proportion le modèle détecte-t-il ? Une sensibilité élevée signifie peu de cas manqués (peu de faux négatifs).
• Spécificité : parmi tous les patients qui n'ont PAS la pathologie, quelle proportion le modèle écarte-t-il correctement ? Une spécificité élevée signifie peu de fausses alertes (peu de faux positifs).

Vous ne pouvez pas maximiser les deux. Abaissez le seuil pour détecter plus de maladies, et vous attrapez aussi plus de patients sains. Relevez-le pour réduire les fausses alertes, et vous manquez de vrais cas.

Pour un outil de triage AVC, on règle sur une sensibilité élevée. Manquer un AVC traitable est catastrophique ; quelques fausses alertes supplémentaires sont tolérables puisqu'un humain relit l'examen de toute façon.

Pour un outil qui écarte de façon autonome les examens normaux sans relecture humaine, il faut une spécificité et une sensibilité extrêmement élevées toutes les deux, car un cas manqué ne sera pas rattrapé.

Le cours accéléré Google ML sur les seuils de classification détaille cet arbitrage avec des visuels clairs si vous voulez la mécanique.

Pourquoi le seuil est un jugement clinique, pas technique

Prenez un outil de radiographie thoracique qui signale un possible pneumothorax en réanimation.

Si la sensibilité est trop élevée, les radiologues sont submergés de fausses alertes. En une semaine, ils commencent à les ignorer. C'est l'alert fatigue, et elle détruit silencieusement la valeur de l'outil. L'IA peut être techniquement excellente et cliniquement inutile en même temps.

Le bon seuil dépend de la prévalence de la maladie, des effectifs et de la conséquence d'un cas manqué. C'est une décision de workflow déguisée en problème mathématique.

Ground truth : les labels déterminent le plafond

Un modèle d'IA ne vaut que par les « bonnes réponses » à partir desquelles il a appris. En imagerie, cette réponse s'appelle le label de ground truth, et l'obtenir correctement est plus difficile qu'on ne le croit.

Qui décide qu'un examen montre vraiment une hémorragie ?

• Un radiologue ? Les radiologues sont en désaccord entre eux plus souvent que vous ne le souhaiteriez. C'est la variabilité inter-lecteurs.
• Un panel qui vote ? Mieux, mais coûteux et toujours subjectif.
• Une confirmation ultérieure, comme une chirurgie ou un examen de contrôle ? Le plus fiable, mais pas toujours disponible.

Si les labels sont bruités, le modèle apprend du bruit. Si les labels proviennent majoritairement de l'ancien scanner d'un seul hôpital, le modèle apprend ce scanner.

Le problème du distribution shift

Voici un mode de défaillance concret. Un modèle est entraîné sur des examens issus de grands CHU utilisant un scanner CT et un protocole d'imagerie particuliers. Il performe superbement en validation.

Puis il est déployé dans un hôpital rural avec un autre scanner, une autre épaisseur de coupe, un mix de patients plus malades ou plus sains. La performance chute. Personne ne le remarque immédiatement, car aucun radiologue ne revérifie chaque négatif.

C'est le distribution shift : les données réelles diffèrent des données d'entraînement. C'est la raison la plus fréquente de sous-performance des IA d'imagerie après déploiement. Les régulateurs attendent de plus en plus un monitoring précisément sur ce point.

Lire les preuves derrière un outil autorisé

Aux États-Unis, la plupart des IA d'imagerie arrivent sur le marché via la voie 510(k) de la FDA, qui autorise un dispositif en montrant qu'il est « substantiellement équivalent » à un dispositif existant. Nuance importante : l'autorisation 510(kkLe nombre moyen de nouveaux utilisateurs que chaque utilisateur existant génère par recommandation. Au-dessus de 1,0, la croissance s'auto-alimente et devient exponentielle.Voir la définition complète →) n'est pas une preuve que l'outil améliore les résultats cliniques. Elle montre que le dispositif fonctionne comme prévu sur une tâche définie.

Donc quand un vendeur dit « FDA cleared », posez les questions plus dures.

Questions à poser à tout vendeur :

• Sur quelle population la sensibilité et la spécificité ont-elles été mesurées ? S'agissait-il d'une population réelle de déploiement ou d'un jeu de données trié ?
• Quelle était la prévalence de la maladie dans le jeu de test ? Les métriques gonflent sur des données artificiellement équilibrées.
• La validation était-elle externe (hôpitaux différents de ceux de l'entraînement) ou interne ?
• Quel est le taux de faux positifs par jour pour un site type ? C'est ce qui prédit l'alert fatigue.

Une façon simple de voir l'arbitrage

Pas besoin de construire un modèle pour comprendre le levier. Cet extrait montre comment un même seuil produit des comportements très différents.

# Le modèle produit une probabilité d'« occlusion d'un gros vaisseau » par examen
scores = [0.05, 0.22, 0.61, 0.78, 0.91]   # 5 examens
truth  = [0,    0,    1,    0,    1]        # 1 = maladie réellement présente

for threshold in [0.5, 0.8]:
    flagged = [s >= threshold for s in scores]
    tp = sum(f and t for f, t in zip(flagged, truth))
    fp = sum(f and not t for f, t in zip(flagged, truth))
    fn = sum(not f and t for f, t in zip(flagged, truth))
    print(f"threshold={threshold}: caught {tp}/2 cases, "
          f"{fp} false alarms, {fn} missed")

# threshold=0.5 : 2/2 cas détectés, 1 fausse alerte, 0 manqué
# threshold=0.8 : 1/2 cas détectés, 0 fausse alerte, 1 manqué

Même modèle. Deux seuils. L'un détecte chaque AVC mais crie au loup une fois ; l'autre ne crie jamais au loup mais manque un patient traitable. La « bonne » réponse est une politique clinique, pas une décision de code.

Intégration au workflow : là où la valeur se gagne ou se perd

Voici la partie que les MBA sous-estiment et dont les cliniciens sont obsédés. Un modèle aux excellentes métriques n'apporte aucune valeur s'il ne change pas ce qui se passe ensuite.

L'exemple de l'AVC fonctionne parce que le signalement déclenche un vrai workflow : il réordonne la worklist et appelle un spécialiste. La valeur est dans le temps gagné jusqu'au traitement, pas dans la prédiction elle-même.

À l'inverse, un outil de détection de nodules pulmonaires qui envoie un rapport par email dans un système que personne ne consulte avant le lendemain matin. Même précision, aucun impact.

À quoi ressemble une bonne intégration

• L'alerte atteint vite un humain capable d'agir. Réordonner une worklist. Une notification push vers un médecin de garde.
• Elle s'intègre aux systèmes existants. Les radiologues vivent dans le PACS (Picture Archiving and Communication System, le logiciel avec lequel ils visualisent les examens). Un outil qui vit en dehors du PACS ajoute des clics, et les clics tuent l'adoption.
• Elle mesure le résultat, pas la sortie. Suivez le temps jusqu'au traitement, pas le nombre de signalements générés.
• Elle comporte une boucle de feedback. Quand un radiologue contredit l'IA, ce désaccord doit être journalisé et analysé pour détecter la dérive.

Le piège du biais d'automatisation

Il y a un risque subtil dans les outils qui fonctionnent bien. Quand l'IA a généralement raison, les humains commencent à s'en remettre à elle. C'est le biais d'automatisation. Un radiologue peut sous-examiner un scanner que l'IA a qualifié de normal, ou surinterpréter un examen qu'elle a signalé.

Les meilleurs déploiements préservent le jugement humain au lieu de le remplacer. En pratique, cela signifie souvent que l'IA priorise et met en évidence, mais que le clinicien pose le diagnostic et assume la décision.

Synthèse : la chaîne de valeur

Pour qu'une IA d'imagerie améliore les résultats cliniques, chaque maillon doit tenir :

1. Un ground truth propre pour que le modèle apprenne le vrai signal.

2. Un seuil validé adapté à l'usage clinique et à la prévalence.

3. Une validation externe prouvant que ça tient hors des hôpitaux d'entraînement.

4. Une vraie intégration au workflow pour qu'un signalement change ce qui arrive au patient.

5. Un monitoring continu du distribution shift et de l'alert fatigue.

Cassez un maillon et l'outil devient un shelfware coûteux, quelle que soit la qualité du modèle sur le papier.

Points clés

• Le seuil, c'est le produit. Sensibilité et spécificité s'arbitrent directement ; choisir où se placer est une décision clinique et opérationnelle, pas technique.
• La qualité du ground truth plafonne la performance. Des labels bruités ou issus d'une source unique produisent des modèles qui échouent silencieusement sur de nouvelles populations (distribution shift).
• L'autorisation FDA n'est pas une preuve de meilleurs résultats. Interrogez la validation externe, la prévalence en conditions réelles et les fausses alertes par jour.
• L'intégration décide de l'impact. La valeur vient du changement de workflow (temps jusqu'au traitement), pas d'une prédiction précise déversée dans un système que personne ne lit.
• Surveillez les humains. L'alert fatigue et le biais d'automatisation peuvent effacer le bénéfice d'un outil techniquement excellent. Suivez-les après le lancement.