Un terrain d’observation unique : 99 réponses issues de 56 centres
Cet état des lieux s’appuie sur un questionnaire national adressé aux radiologues à Valence universitaire. Au total, 102 réponses ont été recueillies, dont 99 jugées exploitables, en provenance de 56 centres majeurs. Ce périmètre reflète la double mission des CHU : produire de la preuve et intégrer les innovations au plus près du soin. Il en ressort une photographie précise de l’adoption, des usages et des arbitrages économiques autour de l’IA, telle qu’elle est réellement vécue dans les hôpitaux universitaires français en 2024.
79–80 % d’adoption en clinique : l’IA est là, mais pas partout
Premier enseignement : l’IA a trouvé sa place dans la pratique clinique. Plus de trois quarts des répondants (79 %, 79/100) déclarent utiliser au moins un outil d’IA au quotidien. L’activité de recherche suit la même dynamique, avec 53 % des centres impliqués : 47 % de ces utilisateurs participent à des évaluations cliniques, 34 % à du codéveloppement et 19 % à des évaluations précliniques. Autrement dit, les CHU assument pleinement leur rôle de « passeurs » entre innovation et soins, tout en gardant la main sur l’évaluation.
Pour autant, cette adoption est loin d’être uniforme à chaque étape du parcours d’imagerie. Les solutions liées à la reconstruction et à l’amélioration de la qualité d’image dominent, quand l’interprétation assistée et l’aide à la rédaction restent plus circonscrites. L’IA s’est d’abord glissée là où les gains techniques sont immédiats et bien encapsulés ; l’extension vers des tâches plus cliniques et textuelles progresse, mais par touches.
70 % d’usage pour la reconstruction : la qualité d’image comme point d’entrée
La reconstruction par deep learning constitue de loin l’usage le plus répandu : 70 % (55/79) des utilisateurs d’IA déclarent y recourir. Intégrées nativement par les constructeurs sur les IRM et TDM, ces solutions rehaussent le rapport signal/bruit et participent, dans certains cas, à la réduction des doses et des temps d’acquisition. Les systèmes d’aide au centrage complètent ce volet « acquisition », avec 25 % (20/79) d’utilisateurs qui s’en servent pour optimiser la mise en place du patient et stabiliser la qualité. Ici, l’IA opère comme un amplificateur de la chaîne image, discret pour le clinicien mais décisif pour la constance et la standardisation.
Cette emprise « physique » de l’IA a une vertu : elle réduit l’écart entre conditions idéales et réalités opérationnelles, en sécurisant des paramètres habituellement sensibles au contexte (morphologie du patient, variabilité opérateur, conditions d’urgence). C’est aussi là que les freins d’acceptabilité sont les plus faibles : la valeur est immédiatement perceptible, l’implémentation en grande partie « invisible » pour le radiologue, et la responsabilité médicale peu bousculée.
56 % pour la détection de fractures, 34 % pour la radio thoracique : l’interprétation progresse par blocs
Du côté de l’aide à l’interprétation, le tableau est plus granulaire. En radiographie 2D, les algorithmes de détection de fractures s’imposent en tête : 56 % (44/79) des centres utilisateurs y recourent, suivis par l’analyse de la radio thoracique (34 %, 27/79). S’ajoutent des usages ciblés en musculosquelettique : mesures orthopédiques spécialisées (20 %, 16/79) et âge osseux (9 %, 7/79). La mammographie, bien que porteuse de preuves d’impact au dépistage, ne touche encore qu’une minorité (15 %, 12/79) dans cet échantillon, illustrant un décalage entre maturité clinique de certaines solutions et diffusion à l’échelle des services.
En imagerie en coupes, la progression est réelle mais plus récente : détection de nodules pulmonaires (22 %, 17/79), embolies pulmonaires (6 %, 5/79), accidents vasculaires cérébraux en IRM diffusion/perfusion (15 %, 12/79) ou en TDM (13 %, 10/79), premières briques en imagerie prostatique (4 %, 3/79) et en neurologie structurelle (19 % pour des segmentations de lobes, 6 % pour la SEP). Ces chiffres disent une chose simple : l’IA d’interprétation avance là où les volumes d’examens sont élevés, les patterns bien définis et l’impact temps/sécurité palpable, mais les usages restent encore thématiques, non transversaux.
8 % pour la standardisation des comptes rendus, 1 % pour les résumés patients : le texte, dernier bastion
Côté outils textuels, l’empreinte est modeste : 8 % (6/79) des centres utilisent des dispositifs de standardisation partiellement automatisée des comptes rendus ; 1 % (1/79) propose des versions vulgarisées destinées aux patients. Les grands modèles de langage émergent, mais demeurent à l’expérimentation pour générer hypothèses ou enrichir le raisonnement clinique. La prudence s’explique : la production textuelle engage directement la responsabilité du radiologue, interagit avec les systèmes d’information, et requiert une finesse contextuelle encore en cours d’appropriation. C’est néanmoins un front d’innovation majeur, appelé à évoluer avec l’arrivée des modèles plus multimodaux et mieux contrôlés.
Quatre sources de financement, 81 % de radiologues décideurs : gouvernance au plus près du soin
L’adoption s’adosse à des modèles économiques pluriels. Quatre sources se détachent : les fonds propres hospitaliers (37 %, 29/79), marque d’une confiance institutionnelle grandissante ; les crédits de recherche (15 %, 12/79), utiles mais par nature non pérennes ; les apports en nature des entreprises d’IA (11 %, 9/79), souvent dans des cadres d’évaluation ou de codéveloppement ; et les bundles des constructeurs d’équipements lourds (10 %, 8/79), qui embarquent des modules IA dans les IRM/TDM. À noter : près d’un tiers des répondants (29 %, 23/79) ne connaît pas précisément l’origine du financement dans son établissement, symptôme d’une chaîne d’achat encore dispersée.
La gouvernance opérationnelle reste néanmoins très clinique : 81 % (51/63) des radiologues utilisateurs se disent partie prenante du choix des solutions. Ce point est structurant. Il garantit que l’IA répond à un besoin d’usage, protège la pertinence clinique face à l’offre technologique, et ancre l’appropriation par les équipes. Il n’empêche pas les tensions : l’absence de prise en charge par l’assurance maladie, la diversité des modèles de licence et la dépendance à l’intégration SI pèsent sur les arbitrages.
Impact mesuré : 70 % ne perçoivent pas de baisse de charge, mais 67 % saluent la qualité d’image et 56 % la détection
Le bilan d’impact est nuancé. Sur la charge de travail globale, 70 % (48/69) ne constatent pas de réduction, 19 % (13/69) notent un allègement, 12 % (8/69) une hausse. En miroir, les bénéfices qualitatifs sont tangibles : 67 % (53/79) rapportent une amélioration de la qualité d’image, 56 % (44/79) de meilleures performances en détection, et 29 % (23/79) un raccourcissement des temps d’examen. La tension entre « promesse d’efficience » et « réalité de terrain » tient à deux facteurs : d’une part, l’effort d’intégration et de supervision qui peut compenser les gains techniques ; d’autre part, la redistribution des tâches qui, au moins dans un premier temps, substitue du travail cognitif (contrôle, validation, interprétation des sorties) au travail mécanique.
Dans ce contexte, la valeur s’exprime d’abord par la qualité, la standardisation et la sécurité : moins d’images perfectibles, moins d’examens à répéter, plus de constance inter-opérateur, et des filets de sécurité sur des pathologies critiques. Le bénéfice « temps » existe, mais il est conditionné par la maturité SI, la fluidité d’implantation et l’alignement des équipes.
Des obstacles clairs : 61 % citent le coût, 53 % l’intégration SI, 18 % la résistance au changement
Les freins à l’échelle sont bien identifiés. Le coût, d’abord, est cité par 61 % (48/79) des répondants. La diversité des modèles tarifaires, les licences par poste ou par volume, et la difficulté à documenter précisément les surcoûts dans chaque contexte compliquent les arbitrages. Vient ensuite la complexité d’intégration (53 %, 32/79) : pour délivrer sa promesse, l’IA doit s’insérer proprement entre RIS, PACS, consoles d’acquisition, et systèmes de reporting, sans friction ni duplication. Enfin, 18 % (14/79) pointent une résistance au changement : plus qu’un rejet principiel, il s’agit souvent d’une vigilance légitime face à la délégation à un algorithme, qui appelle à des dispositifs d’explicabilité, de traçabilité et de formation.
Avant, pendant, après : un inventaire des cas d’usage sur tout le flux
Si l’on déroule le parcours radiologique, les cas d’usage aujourd’hui observés en CHU dessinent une chaîne continue.
En amont, l’« aide organisationnelle » reste marginale : 3 % (2/79) mentionnent des outils de planification/gestion de rendez-vous, de validation d’indication ou de prédiction des no-shows. Le potentiel est là, mais l’IA y rencontre des frontières organisationnelles et SI complexes.
Pendant l’acquisition, l’IA se rend utile et lisible : assistance au centrage (25 %) et reconstruction deep learning (70 %), avec des effets visibles sur la qualité, la dose et les temps d’examen. C’est le socle déployé à large échelle.
Lors de l’interprétation, l’IA prend des formes variées : sur la radiographie 2D, détection de fractures (56 %), d’anomalies thoraciques (34 %), mesures orthopédiques (20 %) et âge osseux (9 %) ; en mammographie (15 %), en TDM thoracique avec nodules (22 %) et EP (6 %), en neurologie vasculaire (AVC IRM 15 %, TDM 13 %), en prostate (4 %), en segmentation neuro (19 %) et en pathologies MSK (genou 5 %, rachis lombaire 4 %). Chaque brique adresse un problème clinique bien cadré, avec une montée progressive vers des tâches plus complexes.
Après l’examen, le texte reste un front d’innovation : 8 % utilisent des dispositifs de standardisation partielle des comptes rendus, 1 % propose des résumés patients. La promesse est forte — clarté, cohérence, adaptation au destinataire — mais les conditions de confiance, d’édition et de responsabilité exigent une montée en puissance graduée.
Quels leviers pour l’échelle ? Décider au plus près de l’usage, mesurer en conditions réelles, former et intégrer
Les leviers ressortent en creux des constats. D’abord, maintenir la décision clinique au centre : le fait que 81 % des radiologues utilisateurs participent aux choix outille déjà l’appropriation. Ensuite, documenter l’impact en conditions réelles : au-delà des gains techniques, les directions attendent des métriques de processus (délais, reprises d’examens, concordance inter-lecteurs) et de résultats (qualité diagnostique perçue, sécurité). Cela suppose des protocoles d’évaluation embarqués, dans les flux ordinaires, avec des indicateurs partagés entre cliniciens, ingénierie biomédicale et SI.
Troisième levier, l’intégration SI : standardiser les points de branchement, éviter la « console de plus », privilégier les déploiements qui font gagner du temps aux manipulateurs et simplifient la vie du radiologue. Enfin, la formation : initiale et continue, pour comprendre les limites, interpréter les sorties, organiser la supervision et clarifier les responsabilités. La résistance au changement diminue à mesure que l’IA devient prévisible, explicable et bien insérée.
Un modèle économique encore à inventer à l’échelle hospitalière
L’absence de prise en charge par l’assurance maladie laisse aujourd’hui la charge aux établissements, aux projets de recherche, aux partenariats industriels et aux bundles constructeurs. Cette pluralité favorise l’expérimentation, mais complexifie la pérennisation. À court terme, les déploiements les plus robustes resteront ceux adossés aux équipements lourds et aux cas d’usage à valeur technique nette (qualité d’image, dose, standardisation). À moyen terme, la consolidation passera par des cadres d’achat plus lisibles, des preuves d’impact organisationnel, et des trajectoires de maintenance compatibles avec les contraintes SI hospitalières.
Et maintenant ? Vers une nouvelle vague, générative et multimodale
Les répondants évoquent une « deuxième vague » : celle de l’IA générative et des modèles multimodaux. Dans les CHU, elle pourrait d’abord toucher la chaîne textuelle : assistance à la structuration, reformulation pour différents publics, ancrage dans les observations d’image. Elle s’étendra ensuite aux tâches d’aide au raisonnement, à mesure que la supervision et la traçabilité seront mieux outillées. Pour franchir ce cap, les mêmes exigences s’imposeront : intégration sans couture, gouvernance clinique, mesure d’impact, formation, et clarification médicolégale.
Conclusion : une transformation déjà tangible, à consolider par l’intégration et la preuve
La photographie 2024 des CHU français montre une radiologie « entre deux vagues ». La première a installé des bénéfices concrets, surtout sur la qualité d’image et des détections ciblées. La seconde s’annonce, plus textuelle et multimodale, avec la promesse d’un accompagnement du raisonnement et d’une meilleure communication du résultat. Entre les deux, le quotidien des services rappelle que l’échelle se gagne sur l’intégration SI, la clarté des modèles économiques et la confiance des équipes.
L’objectif, désormais, n’est pas de « mettre de l’IA partout », mais de la mettre « là où elle compte ». Cela suppose de continuer à décider au plus près de l’usage, à financer ce qui prouve sa valeur en conditions réelles, à former pour maîtriser les limites, et à organiser la supervision. Les chiffres clés dessinés par les CHU — 79–80 % d’adoption clinique, 70 % d’usage en reconstruction, 56 % pour la détection des fractures, 67 % d’amélioration perçue de la qualité d’image, 61 % citant le coût comme frein — donnent une feuille de route pragmatique : consolider les gains techniques, faire monter en maturité l’interprétation et le texte, et arrimer l’ensemble à une intégration fluide et responsable. C’est à ce prix que la radiologie universitaire pourra transformer l’essai, et passer durablement de l’expérimentation à l’échelle.


