L’IA pour les radiographies : comment elle fonctionne, ce qu’elle détecte, et pourquoi elle est désormais la norme clinique

Aux États-Unis, le nombre d’examens médicaux reçus chaque année par les radiologues a presque doublé, passant de 14 900 examens par an en 2008 à 26 457 examens par an en 2018. Pourtant, il n’y a eu qu’une augmentation de 13 % du nombre de nouveaux radiologues entrant dans la profession sur la même période.¹ À la fin de 2024, un quart des radiologues lisaient 30,6 % d’examens de plus par jour qu’en 2018, et effectuaient 19,7 % de vacations cliniques de plus par trimestre qu’en 2018.² Cette pénurie de main-d’œuvre en radiologie survient en même temps que la croissance du volume d’imagerie en radiologie, ce qui explique en partie pourquoi l’IA pour les radiographies est devenue un sujet pratique de flux de travail plutôt qu’une discussion théorique.

Les images radiographiques présentent l’occurrence la plus fréquente d’erreur diagnostique lors de l’interprétation d’image.³ Il a été constaté que lors de la première visite d’un patient au service des urgences, 3 % à 10 % des fractures peuvent ne pas être diagnostiquées correctement.⁴ Les chercheurs ont montré que la période de 20h00 à 2h00 du matin est celle où survient la majorité des erreurs diagnostiques dans un service d’urgence, en raison de la fatigue des radiologues pendant les vacations de nuit et d’un personnel spécialisé de soutien insuffisant pour assister à la révision appropriée de ces clichés.⁵ Ces fractures manquées en radiologie d’urgence expliquent pourquoi le soutien de l’IA pour les radiographies aux urgences est de plus en plus discuté dans la planification des flux de travail cliniques.

Ce sont là plusieurs des raisons de la création de l’intelligence artificielle pour les examens radiographiques. L’objectif de l’IA pour les radiographies n’est pas de remplacer le radiologue mais de fournir un logiciel de soutien agissant comme un second lecteur pour chaque radiographie. Le logiciel d’IA est conçu pour appliquer les mêmes critères de détection à toutes les images radiographiques. Les mêmes critères s’appliquent à la 100e radiographie qu’à la 1re. Le logiciel d’IA fait automatiquement remonter les résultats les plus urgents sans que le radiologue n’ait à les rechercher. Cet article couvre le fonctionnement technique de l’IA pour les radiographies, ce que des outils comme Rayvolve® détectent dans 4 domaines cliniques, et ce que disent les preuves sur la performance en conditions hospitalières réelles.

Comment l’IA lit-elle les radiographies ?

Lorsque l’IA lit une radiographie, la plupart des algorithmes basés sur l’IA s’appuient sur des réseaux de neurones convolutifs, une forme de modèle d’apprentissage profond qui apprend à identifier des motifs visuels dans des ensembles d’images annotées. En imagerie médicale, cela est souvent décrit comme l’analyse de radiographies par apprentissage profond ou l’imagerie médicale par réseau de neurones convolutif. Lors du développement de ces modèles, des radiologues experts annotent de grandes populations d’images radiographiques, identifiant des résultats anormaux tels que des fractures, condensations, épanchements et angles de mesure. Après l’entraînement, l’IA peut évaluer une image inédite et fournir un résultat en quelques secondes.

En termes d’utilisation en milieu hospitalier, aucun travail supplémentaire n’est requis de la part du radiologue pour l’analyse de radiographies par IA. L’image radiographique est générée, envoyée au PACS, et immédiatement analysée. Après environ 60 secondes,⁶ une seconde sortie DICOM avec annotation est créée et mise à disposition pour révision par le radiologue dans la liste de travail existante. Cette intégration IA-PACS et ce flux de travail IA-DICOM en radiologie permettent au radiologue de consulter le résultat sans quitter son environnement de lecture habituel. Après avoir consulté l’examen signalé et les résultats basés sur l’IA, le radiologue est en mesure d’utiliser les informations des deux sources pour élaborer une impression clinique finale. Ceci est appelé détection assistée par ordinateur pour radiographies, ou CADe en radiologie, au point de soin.

La distinction principale entre une IA alimentée par des données d’entraînement de haute qualité et variées, et une IA qui ne performe pas bien au-delà de son environnement de test, repose sur la qualité et la variété des données d’entraînement. Une revue de 2024 a révélé qu’environ 24 % des outils d’IA évalués montraient une baisse substantielle de performance lorsqu’ils étaient testés sur des patients en dehors de leur jeu de données d’entraînement.⁷ Lorsque les outils d’IA sont construits sur de grandes bases de données multi-pays, et que la base de données est annotée par plusieurs lecteurs, les chances augmentent que l’outil puisse fournir des résultats précis et fiables indépendamment de populations de patients diverses, de morphologies corporelles, ou de types de scanner. Par conséquent, la validation externe sur des patients pour lesquels le modèle n’a jamais été entraîné est le seul moyen fiable d’évaluer si la sensibilité et la spécificité de l’IA pour les radiographies tiendront dans des conditions de pratique réelles.

Qu’est-ce qu’AZtrauma et pourquoi est-il l’outil d’IA de référence pour la détection de fractures sur radiographies

AZtrauma est un outil d’IA de référence pour la détection de fractures sur radiographies en raison de sa performance dans les contextes de traumatologie et d’urgence ; sa capacité à identifier les fractures, luxations articulaires et épanchements articulaires chez les patients adultes et pédiatriques dès l’âge de 2 ans ; l’étendue de son déploiement en tant qu’outil clinique d’IA de détection de fractures ; et les données probantes étayant sa performance selon plusieurs critères. Il est utilisé dans plus de 2 500 établissements de santé dans 55 pays.⁸

Il a été entraîné à l’aide de plus de 15 millions de radiographies annotées, l’un des plus grands jeux de données d’entraînement jamais assemblés pour des solutions d’IA en radiographie.⁹ Sa performance a également été évaluée et testée de manière indépendante dans des institutions, sur des populations de patients totalement extérieures à ses données d’entraînement. Il détient l’autorisation de la FDA pour les patients adultes et pédiatriques, ainsi que le marquage CE en Europe, faisant partie du paysage de l’IA en radiologie autorisée par la FDA et marquée CE. AZmed a également annoncé la certification MDSAP en septembre 2023, qui soutient l’alignement du système qualité avec les exigences réglementaires dans des pays incluant les États-Unis, le Brésil, l’Australie et le Canada.¹⁰

En janvier 2025, le National Institute for Health and Care Excellence du Royaume-Uni a conclu qu’il existait suffisamment de preuves pour soutenir que Rayvolve® et d’autres technologies d’IA discutées présentaient un bénéfice potentiel pour une utilisation en soins d’urgence. NICE a également conclu que la mise en œuvre présentait un faible risque clinique et que des preuves supplémentaires seraient toujours nécessaires.¹¹ Il est plus exact de le formuler ainsi que de dire « IA en radiologie approuvée par NICE », car les recommandations de NICE constituaient une évaluation précoce de la valeur plutôt qu’une approbation générale.

En plus d’identifier les cas de fracture, AZtrauma dispose d’une fonctionnalité supplémentaire de triage de liste de travail par IA pour les radiographies. Ainsi, lorsqu’un examen radiographique arrive, il est analysé automatiquement pour sa pertinence clinique. Lorsqu’une fracture est suspectée, le cas est signalé par l’outil d’IA et remonté en tête de la file de lecture. Les outils d’IA en place au niveau du système permettent une identification efficace des cas cliniquement significatifs et ne nécessitent donc pas que le personnel de radiologie parcoure tous les examens pour trouver l’événement le plus urgent ou cliniquement significatif.

Qu’est-ce qu’AZchest et comment fonctionne l’analyse de radiographies thoraciques par IA ?

AZchest est un outil d’intelligence artificielle qui catégorise, détecte et trie automatiquement les principaux types de maladies cardiaques et pulmonaires à partir d’images de radiographies thoraciques, dès l’acquisition de l’image, avant qu’elles ne soient ouvertes par un radiologue.¹² Cela rend l’analyse de radiographies thoraciques par IA utile non seulement pour la détection de pathologies thoraciques, mais aussi pour le compte rendu automatisé de radiographies dans des flux de travail sensibles au facteur temps.

AZchest ne se contente pas d’ajouter des identifiants visuels aux images thoraciques, il reclasse également rapidement les images thoraciques. Ainsi, si AZchest identifie un résultat potentiellement grave et urgent, il reclassera immédiatement cet examen afin qu’il puisse être lu plus tôt que si l’IA n’existait pas. Ainsi, dans un environnement d’urgence, de nombreux examens de pneumothorax peuvent être involontairement enfouis sous un nombre important d’examens radiographiques de routine. C’est là que la détection de pneumothorax par IA, la détection de nodules pulmonaires sur radiographie, et la détection d’épanchement pleural par IA deviennent des questions de flux de travail opérationnel, et non plus seulement des questions de détection.

AZchest est marqué CE et autorisé par la FDA. En mars 2025, AZmed a annoncé la réception de 2 nouvelles autorisations FDA pour AZchest, l’une pour la détection de nodules pulmonaires et l’autre pour le triage du pneumothorax et de l’épanchement pleural.¹³

Comment AZmeasure utilise-t-il la technologie d’IA pour mesurer les structures musculo-squelettiques sur les images radiographiques ?

AZmeasure est un outil d’IA musculo-squelettique pour radiographies qui utilise des techniques d’apprentissage automatique pour effectuer des mesures actuellement réalisées manuellement par les radiologues. Ces mesures manuelles peuvent prendre du temps à produire par examen et sont sujettes à des divergences qui surviennent lorsque 2 radiologues différents effectuent la même mesure manuelle et obtiennent des résultats différents en mesurant, par exemple, l’angle de Cobb sur un même examen radiographique rachidien. Les divergences dans les résultats de mesure ne reflètent aucune insuffisance dans la formation de l’un ou l’autre radiologue. La source des divergences réside plutôt dans la variabilité inter-observateurs que les équipes de radiologie reconnaissent déjà dans le travail de mesure manuelle.

AZmeasure élimine cette variabilité associée car il fournit une méthode automatisée pour mesurer les affections musculo-squelettiques suivantes : scoliose, hallux valgus, pied plat et creux, discordances de longueur des jambes, dysplasie de la hanche, et conflit fémoro-acétabulaire. Les mesures automatisées pour ces affections sont fournies sous forme de données numériques structurées à partir d’images au format DICOM, en tant que sorties secondaires, en quelques secondes après l’acquisition de l’image. Les mesures sont ensuite ajoutées au compte rendu PACS créé pour le patient concerné. Ainsi, lorsqu’un chirurgien orthopédiste évalue les résultats d’un patient donné, il sait qu’il examine des mesures stables et reproductibles qui fourniront toujours un résultat cohérent, quel que soit le moment où la radiographie a été obtenue ou quel radiologue l’a finalement interprétée. C’est ainsi que les mesures orthopédiques automatisées par IA peuvent soutenir la mesure automatisée de l’angle de Cobb pour la scoliose et d’autres flux de travail musculo-squelettiques. AZmeasure est marqué CE.¹⁴

Comment AZboneage utilise-t-il la technologie d’IA pour estimer la maturité squelettique à partir de radiographies de la main ?

AZboneage est un outil d’IA pour l’âge osseux sur radiographie qui utilise la technologie d’IA pour estimer l’âge squelettique selon la méthode de Greulich et Pyle pour l’imagerie pédiatrique. Le système logiciel génère un compte rendu diagnostique structuré permettant de déterminer la maturité squelettique d’un enfant, évaluée par l’analyse d’une radiographie de la main. Le logiciel permet également de comparer l’âge chronologique de l’enfant à sa maturité squelettique établie, en moins de 60 secondes⁶ après la réalisation de l’examen radiographique. L’image de base, c’est-à-dire la radiographie de la main de l’enfant, est également conservée dans le compte rendu diagnostique structuré secondaire, à des fins de traçabilité supplémentaire.

L’évaluation de l’âge osseux est importante pour le diagnostic de différents types de maladies chez les patients présentant des troubles de croissance, l’investigation d’une éventuelle maladie du système endocrinien, les évaluations médico-légales de l’âge, et la planification de traitements orthodontiques. L’évaluation pédiatrique de l’âge osseux est l’une des tâches répétitives les plus courantes en radiologie pédiatrique. L’évaluation manuelle de l’âge osseux à partir d’une image radiographique prend du temps, requiert l’attention d’un radiologue, et peut produire des différences dans l’évaluation de l’âge osseux pour un même individu selon les lecteurs. AZboneage supprime ce défi. L’analyse par apprentissage automatique de la radiographie osseuse s’exécute en arrière-plan, et le radiologue reçoit un compte rendu structuré avec les informations prêtes à être examinées. Le radiologue n’a pas besoin de consulter un atlas ni de comparer manuellement les résultats pour établir une évaluation. AZboneage est marqué CE. Pour les équipes qui recherchent encore des solutions d’IA pour radiographies pédiatriques sans distinguer les usages adultes et pédiatriques, cette distinction compte.

Comment fonctionne le triage de liste de travail par IA pour les radiographies

La majorité des services de radiologie continuent de gérer leurs listes de travail selon un principe de premier arrivé, premier servi. Les examens sont lus dans l’ordre de leur arrivée, indépendamment de l’urgence de la situation clinique. Un contrôle post-opératoire de routine de la cheville et une suspicion de pneumothorax sous tension attendraient dans la même file pour être lus. À volume d’imagerie élevé, cette méthode ne fonctionne pas. Le cas critiquement urgent devra attendre pendant que le radiologue lit les examens qui le précèdent.

L’un des principaux problèmes que l’IA en radiologie résout au niveau du système est la priorisation des examens sur la liste de travail de radiologie. Tous les examens qui arrivent au PACS sont traités immédiatement par l’IA dès leur acquisition. Tout examen présentant des résultats urgents est signalé et remonté en tête de la file avant même que le radiologue ne commence à lire. Aucun tri manuel des examens n’est nécessaire, et aucun examen ne doit être ouvert au préalable pour connaître son niveau de priorité. Le processus est continu et automatique à chaque vacation de la journée, qu’elle soit chargée ou calme. C’est là la valeur significative du triage par IA pour radiographies et de la priorisation des listes de travail par IA en radiologie lorsque le temps de lecture des examens est critique.

Une revue de European Radiology sur les outils de triage basés sur l’intelligence artificielle a montré que la technologie de réorganisation des listes de travail basée sur l’IA était capable de réduire le délai de traitement des comptes rendus jusqu’à 43,7 % pour des affections telles que les maladies thoraciques et l’embolie pulmonaire, contre seulement 7,6 % d’amélioration avec le même système d’IA sans réorganisation.¹⁵ La différence entre le triage par IA avec réorganisation des listes de travail et la classification par IA sans réorganisation des listes de travail réside dans le mécanisme par lequel les améliorations du délai de traitement en radiologie sont obtenues lors des déploiements réels.

Base de preuves cliniques de l’IA pour les radiographies

En 2026, Cohen et al. ont publié dans Radiography la plus grande étude de validation de performance clinique jamais réalisée sur une suite complète d’IA radiographique. La suite entière a été validée sur 258 373 radiographies dans 100 hôpitaux répartis dans 26 pays et 5 continents. Toutes les images de cette étude ont été annotées par consensus à double lecture sur 3 ans. La suite entière a été validée sur les flux de travail de traumatologie, thoracique, de mesure et d’âge osseux. Par exemple, le module AZtrauma a rapporté une AUC de 98,3 %, une sensibilité de 97,4 %, et une spécificité de 96,4 %, et le module AZboneage a présenté une erreur absolue moyenne de 0,49 an avec une valeur R-carré supérieure à 98 %, indiquant que les estimations d’âge squelettique se situaient en moyenne à 6 mois de l’étalon de référence.¹⁶ Il s’agit d’une validation clinique en conditions réelles à l’échelle de l’IA en radiologie 2026.

Luiken et al. ont publié dans Radiography en 2025 une étude comparative directe de 3 systèmes d’IA commerciaux, sans financement ni participation d’un fabricant, à l’Université technique de Munich en Allemagne. Le jeu de données utilisé pour cette étude comparative comprenait 2 926 radiographies provenant de 1 037 patients adultes, couvrant 22 régions anatomiques. AZtrauma s’est classé premier pour la détection globale de fractures, avec une AUC de 84,88 % et une sensibilité de 79,48 %. Il s’est également classé premier pour la détection de luxations et de matériel d’ostéosynthèse.¹⁷ Lors de l’évaluation d’applications d’IA pour radiographies, une comparaison indépendante devrait être utilisée, plutôt que les affirmations d’un fournisseur.

Au RSNA 2023, SimonMed Imaging a présenté des données opérationnelles portant sur plus de 330 000 cas radiographiques réels dans un établissement ambulatoire. Après l’utilisation d’AZtrauma, le délai moyen de traitement des comptes rendus de fracture est passé de 48 heures à 8,3 heures, et le taux de détection de fractures est passé de 10,4 % à 11,8 %.¹⁸ Ceci est un exemple de la façon dont l’utilisation de l’IA pour les radiographies peut soutenir l’amélioration de la précision diagnostique et une performance de flux de travail plus rapide.

En janvier 2025, le National Institute for Health and Care Excellence du Royaume-Uni a publié des recommandations concernant les bénéfices potentiels de technologies d’IA comme Rayvolve® dans les contextes de soins d’urgence et le faible risque clinique de leur mise en œuvre, tout en soulignant également le besoin de davantage de preuves pour soutenir leur utilisation.¹¹

Une étude multi-lecteurs utilisant AZchest a révélé que le temps moyen de lecture des radiographies thoraciques était réduit de 35,8 %, tandis que la sensibilité moyenne par cas augmentait de 11,4 %.¹⁹ De plus, AZchest a obtenu l’autorisation FDA pour la détection de nodules pulmonaires et les capacités de triage pour le pneumothorax et l’épanchement pleural.¹³

En mars 2026, Fujifilm avait intégré la suite IA Rayvolve® complète dans Synapse PACS. AZ Sint-Blasius en Belgique est devenu le premier hôpital à mettre en œuvre ces solutions d’IA intégrées via Synapse PACS.²⁰

4 questions clés pour comparer les produits d’IA pour radiographies lors du choix d’un programme d’IA pour radiographies pour votre service

1. L’outil a-t-il été validé de manière externe ? Les référentiels internes servent à vérifier le jeu de données d’entraînement d’un modèle. Cependant, le seul moyen de vérifier que les valeurs de sensibilité et de spécificité de l’IA pour les radiographies seront similaires dans des environnements cliniques réels au sein de votre établissement est de tester l’IA sur une population de patients entièrement différente, dans un lieu différent.
2. Quelle est l’étendue de la couverture anatomique et clinique ? Les outils d’IA limités à une seule zone du corps obligeront les services de radiologie à maintenir plusieurs produits nécessitant intégration, maintenance et gestion. Un système qui automatise l’analyse de radiographies de traumatologie, aide à l’évaluation de pathologies thoraciques, fournit des mesures pour l’évaluation orthopédique, et estime l’âge osseux pédiatrique peut éliminer plusieurs solutions ponctuelles et n’utiliser qu’un seul flux de travail intégré.
3. L’outil dispose-t-il d’une indication pédiatrique ? Les os pédiatriques ne sont pas identiques aux os adultes, donc si le modèle n’est entraîné ou testé qu’avec des images d’adultes, les résultats peuvent ne pas être précis pour les patients pédiatriques. Par conséquent, tous les produits pour radiographies utilisés pour évaluer et traiter des patients pédiatriques doivent disposer d’une autorisation pédiatrique, soit via une autorisation FDA 510(k), soit via un marquage CE.
4. L’intégration IA-PACS ajoute-t-elle des étapes au flux de travail des radiologues ? Si l’utilisation de ce produit nécessite l’utilisation de 2 systèmes différents, comme devoir se connecter à l’un puis téléverser des images vers l’autre, la probabilité que les radiologues utilisent l’outil d’IA dans leur flux de travail est faible. Une véritable mesure du niveau d’intégration au flux de travail d’un logiciel d’IA pour radiographies est l’absence de changement dans le flux de travail du radiologue, que celui-ci utilise une radiographie pour évaluer une fracture, le thorax, la longueur des os, ou l’âge osseux pédiatrique.

Les applications d’IA pour radiographies sont prêtes pour la production, pas seulement pour les tests

La projection d’une augmentation annuelle des applications d’IA pour radiographies est de 25 % à 30 % d’ici 2030, faisant de ce segment du marché de l’imagerie diagnostique le plus dynamique.²¹ On estime qu’entre 2025 et 2026, plus de 40 % des grands systèmes de santé utiliseront l’IA à l’échelle de l’entreprise pour des applications liées à la radiologie, contre moins de 10 % en 2020. Les flux de travail IA pour radiographies permettent aux radiologues de générer des comptes rendus de radiologie 15 % à 20 % plus rapidement qu’avec les méthodes actuelles, permettant aux radiologues d’augmenter leur productivité de 10 % à 20 % tout en maintenant le même niveau de soins aux patients.²²

La suite IA Rayvolve®, développée par AZmed, est conçue pour faciliter le diagnostic et la prise en charge des patients en détectant les lésions sur les radiographies de traumatologie, en évaluant les pathologies thoraciques à partir des radiographies thoraciques, en analysant les radiographies orthopédiques, et en estimant l’âge osseux des patients pédiatriques à partir d’images de radiographie de la main. Les 4 applications sont marquées CE, et AZtrauma et AZchest sont autorisées par la FDA. Les 4 produits ont été développés à l’aide de plus de 15 millions d’images radiographiques annotées.⁹ Pour les équipes de radiologie comparant le meilleur outil d’IA pour radiographies déployable à grande échelle, la question pratique n’est pas de savoir si l’IA pour radiographies existe. C’est de savoir si le logiciel est cliniquement validé, intégré au flux de travail, et utile dans les conditions de lecture quotidiennes.