Articles

  • Un écosystème français d’acteurs qui structure l’IA en radiologie

    Le patient au cœur du système

    Dans le paysage de l’intelligence artificielle (IA) appliquée à la radiologie, le patient représente le point d’ancrage autour duquel se structurent tous les flux. Il reçoit les examens, l’interprétation médicale et les outils d’aide au diagnostic, mais c’est également à travers lui que se jouent les enjeux de consentement, de représentation et de confiance. L’ensemble de l’écosystème – des institutions aux sociétés savantes, en passant par les CHU, réseaux d’imagerie et start-ups – vise une finalité unique : améliorer la qualité des soins tout en garantissant la protection et la valeur des données de santé.

    Un cadre institutionnel qui structure et irrigue tout l’écosystème :

    Les institutions nationales assurent un rôle de garanties. La Haute autorité de santé (HAS) élabore des recommandations pour évaluer les systèmes d’IA, tandis que l’Agence nationale de sécurité du médicament et des produits de santé (ANSM) surveille la conformité et la sécurité des dispositifs médicaux. Le Ségur du numérique, porté par la Délégation au numérique en santé (DNS) et l’Agence du numérique en santé (ANS), définit les standards d’interopérabilité, notamment via l’ouverture du « couloir imagerie », facilitant ainsi les échanges de données. La Plateforme de données de santé (Health Data Hub) propose d’importantes bases de données pour entraîner les algorithmes, pendant que France Life Imaging (FLI) offre des infrastructures de recherche.

    Ces institutions diffusent leurs orientations méthodologiques aux sociétés savantes, soutiennent les CHU par des appels à projets, financent des initiatives, transmettent des référentiels techniques aux réseaux et guident les start-ups lors des démarches de certification et de marquage CE, assurant ainsi sécurité et légitimité tout au long de la chaîne.

    Les sociétés savantes : légitimation et orientation de l’usage de l’IA

    La légitimation scientifique repose sur les sociétés savantes. La Société française de radiologie (SFR), à travers ses événements, constitue le lieu privilégié de discussion sur l’IA. Le Collège des enseignants en radiologie de France(CERF) veille à la formation continue des jeunes radiologues. Drim France IA joue désormais un rôle structurant : évaluation des solutions disponibles, publication de grilles d’analyse, animation d’un comité éthique sous la direction du professeur Pierre Champsaur, du docteurMarc Zins et de David Gruson.

    Ces organismes produisent des recommandations destinées aux réseaux d’imagerie, adressent leurs avis aux institutions et accompagnent les start-ups dans leurs procédures de validation, se trouvant ainsi au carrefour recherche / pratique / régulation.

    Les CHU, pivots entre recherche, clinique et industrialisation

    Les hôpitaux universitaires sont la plateforme où les solutions d’IA passent du laboratoire à la pratique. L’AP-HP, les Hospices civils de Lyon (HCL), les CHU de Rennes, Poitiers, Bordeaux, Grenoble, l’AP-HM et Gustave Roussy accueillent et testent ces outils, publiant leurs résultats auprès des sociétés savantes et collaborant avec les réseaux d’imagerie pour mutualiser expertise et astreinte.

    Ils sont également partenaires des start-ups, avec lesquelles ils co-développent des solutions, comme l’IA “Keros” développée par Incepto Medical et validée à l’AP-HP pour l’IRM du genou. Ces expérimentations permettent d’ajuster les algorithmes aux données du réel et d’optimiser les workflows cliniques, unissant ainsi recherche académique, pratique clinique et industrialisation.

    Les réseaux d’imagerie : amplificateur de l’usage, révélateur des besoins du terrain

    Les réseaux d’imagerie, tels que France imageries territoires, Imadis, Telediag, Vidi, facilitent l’adoption à l’échelle nationale. En lien direct avec la pratique quotidienne, ils font remonter les besoins et cas d’usage concrets aux sociétés savantes et collaborent avec les CHU à travers la téléradiologie, optimisant ainsi les expérimentations à large échelle.

    Partenaires industriels des start-ups, ils achètent, intègrent et valident les IA dans leurs PACS, jouant un rôle clé dans le passage de la preuve à la pratique clinique courante.

    Les start-ups, moteurs d’innovation au sein d’un écosystème collaboratif

    Le tissu français comprend de nombreuses start-ups et scale-ups. Gleamer, Incepto, Avicenna.AI, Therapixel, Milvue, Azmed portent cette dynamique, proposant des solutions de détection, dépistage ou spécialités (neuro-imagerie, oncologie) diffusées à travers les CHU et réseaux.

    Leur développement dépend d’une quadruple reconnaissance : institutionnelle, clinique, territoriale et scientifique. Elles incarnent la capacité d’innovation de l’écosystème, en totale interdépendance avec ce dernier.

    Des figures scientifiques qui façonnent l’intégration de l’IA en radiologie

    Au-delà des structures, ce sont des personnalités scientifiques et cliniques qui incarnent les avancées de l’IA en radiologie. Leur rôle dépasse la pratique quotidienne : ils publient dans des revues de référence, animent des congrès, structurent des équipes de recherche et conseillent directement institutions et industriels. Chacun d’eux occupe une place singulière dans l’écosystème.

    Marc Zins et Pierre Champsaur sont les deux figures de proue de Drim France IA. Le premier, chef du service d’imagerie à l’Hôpital Saint-Joseph, préside le conseil scientifique de Drim et est reconnu pour sa rigueur dans l’évaluation clinique des solutions. Le second, radiologue marseillais, assure la présidence du directoire. Ensemble, ils donnent une colonne vertébrale à l’évaluation de l’IA en radiologie en France : c’est leur travail qui structure les grilles d’analyse, les publications de référence et l’interaction avec la HAS ou l’ANSM. Ils incarnent la gouvernance scientifique de l’intégration des IA.

    Nathalie Lassau, à Gustave Roussy, est l’une des grandes voix de l’imagerie oncologique augmentée par l’IA. Ses travaux sur la radiomique et l’imagerie quantitative ouvrent la voie à des diagnostics plus précoces et des thérapies personnalisées en cancérologie. Ses recherches, entre autres, font de Gustave Roussy un pôle central d’attractivité, où se rencontrent chercheurs, cliniciens et industriels.

    L’équipe composée de Isabelle Thomassin-Naggara, de Julia Arfi-Rouche et de Foucauld Chamming’s, à l’Hôpital Tenon (AP-HP), développe une expertise reconnue dans l’imagerie gynécologique et mammaire. Elle est pionnière dans l’intégration d’IA pour le dépistage du cancer du sein et la caractérisation des tumeurs gynécologiques. Sa production scientifique influence directement les recommandations de la SFR et oriente les partenariats industriels dans ce domaine particulièrement stratégique.

    Dans le champ thoracique, Guillaume Herpe et Rémy Guillevin (CHU de Poitiers) ainsi que Gaël Dournes (Bordeaux) explorent les potentialités de l’IA pour la détection et la caractérisation des pathologies pulmonaires, notamment dans le contexte du COVID et des maladies respiratoires chroniques. Leurs publications ont contribué à démontrer la robustesse des IA dans des contextes à forte pression clinique. Ils sont des interlocuteurs privilégiés pour les industriels qui souhaitent valider leurs solutions dans le domaine thoracique.

    En neurologie, Arnaud Attye (CHU Grenoble Alpes) s’illustre par ses recherches sur l’IRM cérébrale et les applications de l’IA dans la détection précoce des maladies neurodégénératives. Son travail positionne Grenoble comme un site de référence pour la neuro-imagerie, avec une forte interaction avec les startups spécialisées comme Qynapse.

    À Marseille, Kathia Chaumoitre développe l’usage de l’IA en radiopédiatrie et imagerie musculosquelettique, tandis que Vincent Vidal s’impose en radiologie interventionnelle et imagerie vasculaire. Leurs expériences cliniques alimentent des réflexions essentielles sur l’adoption de l’IA dans des contextes complexes où la précision, la sécurité et la réactivité sont déterminantes.

    Enfin, Sergey Morozov, ancien directeur de la santé numérique à Moscou et aujourd’hui installé en Suisse (réseau 3R à Sion), constitue un pont international. Il apporte une expertise comparative sur les stratégies d’intégration de l’IA en radiologie, nourrissant le débat français par des retours d’expérience venus de systèmes de santé étrangers plus avancés en matière de déploiement à grande échelle.

    Une fonction de médiation essentielle :

    Pris ensemble, ces experts forment une couche de médiation scientifique et clinique entre les différents pôles de l’écosystème :

    • Ils alimentent les sociétés savantes en données, publications et retours terrain, ce qui permet de transformer les expérimentations locales en recommandations nationales.
    • Ils collaborent avec les institutions, en participant à des groupes de travail ou en conseillant sur les cadres réglementaires et méthodologiques.
    • Ils fournissent aux industriels des preuves cliniques indispensables pour obtenir certifications et financements.
    • Ils participent à la formation et à la diffusion des connaissances, en animant des congrès et en publiant des travaux qui deviennent des références.

    Ces cliniciens et chercheurs ne sont donc pas de simples utilisateurs de l’IA : ils en sont les architectes invisibles, contribuant à sa légitimation, à son intégration et à son acceptation par la communauté médicale.

    Cartographie des acteurs de la radiologie et de l’IA en radiologie en France :

     

    Cartographie des acteurs de la radiologie et de l'IA en radiologie en France
    Cartographie des acteurs de la radiologie et de l’IA en radiologie en France – @Health&Tech Intelligence

     

     

  • Radiologie et IA : mutation, défis et innovations

    L’ensemble de notre étude souligne la profonde transformation de la radiologie et de l’imagerie médicale par l’intelligence artificielle (IA), qui impacte à la fois les pratiques cliniques, l’organisation hospitalière et l’écosystème de santé numérique. L’IA, omniprésente dans de nombreux domaines — du diagnostic aux parcours de soins, en passant par la formation et la gouvernance — devient un levier de qualité, de sécurité et d’efficience, tout en posant des enjeux d’acceptabilité, d’interopérabilité et de validation. Le développement rapide de solutions innovantes, la structuration d’un écosystème français de haute expertise et la nécessité de concilier progrès technique avec éthique et formation apparaissent comme des points centraux. Enfin, l’adaptation aux spécificités des populations (enfants, personnes âgées) et la gestion des réformes organisationnelles illustrent l’importance d’une approche globale et responsable dans l’intégration de l’IA en santé.

    📌Effectifs en hausse dans la radiologie, mais des réformes à l’arrêt faute de dialogue avec la CNAM

    Le secteur de la radiologie connaît une croissance régulière, avec 9 342 radiologues en exercice en France en 2025, soit une progression de 13,65% sur 13 ans et une féminisation constante (45% de femmes). Les solutions d’IA permettent un gain de productivité de 30% sur les IRM, et un tiers des radiologues utilise la reconnaissance vocale pour les comptes rendus. Pourtant, les réformes structurantes et les négociations avec la CNAM sont actuellement bloquées, malgré la mobilisation des professionnels pour l’efficience, la sécurisation et la valorisation des pratiques.

    👉 Plus de détails sur « Effectifs en hausse dans la radiologie, mais des réformes à l’arrêt faute de dialogue avec la CNAM – Health & tech ».

    📌 La radiologie entre deux vagues – 8 radiologues universitaires sur 10 utilisent déjà l’IA, mais l’intégration reste incomplète

    Dans les CHU français, 79% des radiologues universitaires utilisent au moins un outil d’IA au quotidien, mais l’adoption demeure fragmentée selon les étapes du parcours d’imagerie. L’usage de l’IA est principalement axé sur la reconstruction d’images (70%) et la détection automatique de fractures (56%) ou d’anomalies thoraciques (34%). Malgré l’amélioration perçue de la qualité d’image par 67% des utilisateurs, 70% ne constatent pas de réduction de la charge de travail globale. Les principaux freins identifiés sont le coût (61%), la complexité d’intégration aux systèmes d’information (53%), et la résistance au changement (18%). Le modèle économique reste à construire, et l’arrivée de l’IA générative et multimodale annonce une nouvelle vague d’innovation centrée sur les usages cliniques et la fluidité d’intégration.

    👉 Plus de détails sur « La radiologie entre deux vagues : 8 radiologues universitaires sur 10 utilisent déjà l’IA, mais l’intégration reste incomplète – Health & tech»

    📌 Siemens Healthineers : 20 ans d’IA en radiologie et plus de 110 solutions validées pour réinventer le diagnostic médical

    La radiologie, champ historique de l’IA, connaît une accélération majeure portée par Siemens Healthineers, fort de 20 ans de recherche, 600 brevets et 6 centres mondiaux dédiés. L’entreprise exploite 2 milliards d’images, développe 110 solutions d’IA dont 65 validées par la FDA et s’appuie sur le supercalculateur SHERLOCK (340 Pflops). Ces outils rendent les IRM deux fois plus rapides, réduisent les doses de rayons, anticipent les pannes et automatisent la détection de lésions. L’objectif reste inchangé : soutenir le radiologue dans un diagnostic toujours plus précis, prédictif et personnalisé.

    👉 Plus de détails sur «  L’objectif est d’apporter une assistance au radiologue, de l’aide au diagnostic mais pas le diagnostic » (Agnès Malgouyres, Siemens) – Health & tech»

    📌JFR 2025 : Siemens, GE, Samsung et deux start-up françaises récompensés pour leurs percées en imagerie médicale

    Lors des Journées Francophones de Radiologie 2025, trois géants industriels – Siemens Healthineers, GE Healthcare et Samsung – ainsi que deux jeunes pousses françaises ont été primés pour leurs innovations en imagerie médicale. Siemens a présenté un scanner cérébral mobile pour soins intensifs, GE a amélioré la reconstruction 3D par deep learning, et Samsung a obtenu plus de 80 % de détection automatisée des lésions hépatiques en échographie. Côté start-up, Caiman s’est distinguée avec une plateforme d’aide à l’interprétation oncologique, tandis que Replico a séduit le jury avec son jumeau numérique du système nerveux. Ces distinctions illustrent le rôle central de l’IA dans la nouvelle génération d’outils radiologiques.

    👉 Plus de détails sur «JFR 2025 : Siemens, GE Healthcare et Samsung primés aux Prix Innovation – Health & tech »

    📌 Radiologie interventionnelle – l’IA crée 20% de gain d’efficience clinique – revue de littérature

    L’intégration de l’IA en radiologie interventionnelle a permis jusqu’à 20% d’efficience opérationnelle et une optimisation des workflows hospitaliers, grâce à l’automatisation et l’amélioration des processus (AUC jusqu’à 0,85 pour la détection d’hémorragies). La réduction de dose d’irradiation atteint parfois 40% avec les nouveaux systèmes automatisés, et des programmes de formation basés sur la simulation et l’IA sont en plein essor (+50% d’objectivation des compétences). Malgré ces avancées, aucun outil d’IA abdominal/pelvien n’est approuvé par la FDA à ce jour, et la généralisation reste freinée par la validation clinique, la régulation et l’accès aux équipements.

    👉 Plus de détails sur « Radiologie interventionnelle : l’IA crée +20 % de gain d’efficience clinique (revue de littérature) – Health & tech »

    📌« L’IA aux extrêmes de la vie – quand l’imagerie médicale se réinvente pour les enfants et les personnes âgées »

    L’IA révolutionne l’imagerie pour les patients les plus vulnérables : la pédiatrie bénéficie de scanners réduisant l’irradiation jusqu’à 95% et d’algorithmes objectivant l’âge osseux avec une précision supérieure à 0,97 (concordance). Les outils de détection des fractures chez l’enfant affichent 89% de sensibilité et 91% de spécificité, améliorant la prise en charge urgente. En gériatrie, la recherche avance vers des biomarqueurs de vieillissement et le développement de scores globaux de fragilité, bien que peu de solutions soient encore validées pour cette population. Des obstacles demeurent, notamment les biais de données et l’acceptabilité sociale et organisationnelle.

    👉 Plus de détails sur « L’IA aux extrêmes de la vie : quand l’imagerie médicale se réinvente pour les enfants et les personnes âgées – Health & tech »

    📌L’intelligence artificielle en radiologie : productivité, personnalisation et défis cliniques

    La radiologie se positionne comme un véritable laboratoire d’industrialisation de l’IA en santé, avec 72 cas d’usage recensés, dont 88% relèvent de l’innovation médicale. Plus de 50% concernent l’imagerie diagnostique (interprétation automatisée de radiographies, IRM, scanners) et les axes majeurs incluent l’optimisation des parcours patients, la personnalisation des diagnostics et le support thérapeutique. Des exemples concrets montrent l’amélioration de la productivité (SmartSpeed, Philips) et la réduction des délais pour les cas urgents (ChestView, Rapid Navigator Pro). Toutefois, des risques de faux négatifs/positifs subsistent, rendant nécessaire un contrôle médical systématique et une validation continue.

    👉 Plus de détails sur « 72 cas d’usage en imagerie médicale identifiés – Health & tech »

    📌Radiologie : 118 solutions d’IA, 47% dédiées à l’oncologie et un leadership français affirmé

    La radiologie compte aujourd’hui 118 solutions d’intelligence artificielle, dont 47% ciblent directement l’oncologie, dominée par la détection du cancer du sein et du poumon. La traumatologie suit avec 20% d’outils, portée par l’innovation française (Gleamer, Azmed), et la neurologie représente 15%, axée sur le suivi longitudinal de maladies comme Alzheimer ou la sclérose en plaques. Dix pour cent concernent la gestion hospitalière, traduisant la montée d’une IA « pilote de flux ». Près de 60% des outils sont validés dans le public, mais leur industrialisation s’accélère dans le privé.

    👉 Plus de détails sur «118 solutions d’IA en radiologie : oncologie, traumatologie et neurologie en tête – Health & tech»

    📌Un écosystème français d’acteurs qui structure l’IA en radiologie

    La structuration du secteur passe par l’action coordonnée des institutions (HAS, ANSM, Health Data Hub), des sociétés savantes (SFR, CERF, Drim France IA), des CHU, des réseaux d’imagerie et des start-ups. Le patient est placé au cœur du système, tandis que des experts reconnus (Marc Zins, Pierre Champsaur, Nathalie Lassau, etc.) irriguent la recherche, la formation et la validation clinique. L’écosystème favorise l’innovation, l’essaimage des solutions et la collaboration entre académiques, industriels et décideurs, garantissant la légitimité et la sécurité des usages.

    👉 Plus de détails sur « Un écosystème français d’acteurs qui structure l’IA en radiologie – Health & tech»

    Visuel synthèse IA et radiologie @HTI

  • L’IA aux extrêmes de la vie : quand l’imagerie médicale se réinvente pour les enfants et les personnes âgées

    Des scanners pédiatriques moins irradiants aux biomarqueurs prédictifs du vieillissement, l’intelligence artificielle s’impose aux âges où la médecine est la plus vulnérable. Mais son déploiement reste semé d’obstacles scientifiques et éthiques.

    Les angles morts de l’innovation : enfants et personnes âgées sous-représentés

    Depuis une dizaine d’années, la littérature sur l’IA en imagerie explose. Pourtant, cette croissance n’a pas profité également à toutes les populations. Une revue publiée en 2023 soulignait que seuls 3 % des dispositifs d’imagerie par IA validés par la FDA concernaient spécifiquement l’enfant. Quant à la gériatrie, elle n’a pas encore fait l’objet de développements ciblés, malgré une demande croissante.

    Le problème tient en partie aux données. En pédiatrie, la variabilité morphologique liée à la croissance rend l’entraînement des modèles plus complexes, et les bases de données sont limitées. En gériatrie, la difficulté réside dans l’écart entre âge chronologique et âge biologique : un cerveau de 80 ans peut être parfaitement fonctionnel, quand un autre, au même âge, présente déjà des signes de démence.

    Cette sous-représentation n’est pas anecdotique : elle crée des algorithmes qui fonctionnent bien sur des adultes « standards », mais dont la fiabilité chute aux extrêmes de la vie.

    En pédiatrie, l’IA pour réduire l’irradiation : jusqu’à 95 % de dose en moins

    La question de l’irradiation reste importante en pédiatrie, car les enfants sont plus vulnérables aux effets cancérigènes des rayonnements. L’une des avancées les plus documentées est l’utilisation de réseaux neuronaux profonds pour reconstruire des images de haute qualité à partir de doses plus faibles.

    Une revue systématique de 2023 a compilé 22 études portant sur plus de 1700 patients pédiatriques. Résultat : la réduction de dose varie de 36 à 70 %, et peut atteindre 95 % dans certaines conditions expérimentales, sans perte de qualité diagnostique. Ces performances sont observées aussi bien avec des systèmes commerciaux (Canon AiCE, GE TrueFidelity) que des modèles développés par des centres académiques.

    L’exemple de la Fondation Lenval à Nice illustre le passage à la pratique. Depuis septembre 2025, l’hôpital est équipé d’un scanner nouvelle génération couplé à l’IA, capable de réduire drastiquement la dose administrée tout en améliorant la netteté des images. Un atout considérable pour les familles, soucieuses de limiter l’exposition de leurs enfants, et pour les radiologues, qui disposent d’images plus fiables pour poser un diagnostic.

    Âge osseux : l’automatisation au service de la croissance

    L’évaluation de l’âge osseux, utilisée pour explorer les retards ou avances de croissance, a longtemps reposé sur une lecture manuelle à l’aide d’atlas (Greulich et Pyle). Une méthode fastidieuse et sujette à variabilité inter-observateur.

    Avec l’IA, cette pratique gagne en objectivité. BoneXpert, développé par la société Visiana, est aujourd’hui l’outil le plus étudié. Dans une recherche menée à Singapour sur 200 enfants et adolescents, l’algorithme a montré une excellente corrélation avec les évaluations endocrinologiques, avec un coefficient de concordance supérieur à 0,97. La précision moyenne était de 0,6 à 0,8 an par rapport à l’âge osseux déterminé par les experts, une marge considérée comme cliniquement acceptable.

    Une autre étude sur 521 radiographies a comparé BoneXpert à un concurrent, IB Lab PANDA. Les deux solutions se rapprochaient de l’évaluation humaine, mais BoneXpert se montrait légèrement supérieur pour les enfants prépubères. Les auteurs concluaient que ces outils pouvaient fiabiliser et standardiser la pratique, tout en faisant gagner un temps précieux aux équipes médicales.

    Détection des fractures : des urgences pédiatriques mieux sécurisées

    Les fractures constituent un motif fréquent de consultation en urgence pédiatrique. Mais la lecture des radiographies chez l’enfant est délicate, en raison de la présence des cartilages de croissance et de l’immaturité osseuse. Résultat : des fractures parfois méconnues, surtout en l’absence de radiologues pédiatriques disponibles 24 h/24.

    C’est précisément là que l’IA trouve sa place. Le logiciel BoneView, développé par la start-up française Gleamer, a été testé sur plus de 800 radiographies d’enfants concernant les membres supérieurs. Les résultats sont parlants :

    • Sensibilité globale : 89 %
    • Spécificité globale : 91 %
    • Performances maximales pour les fractures du poignet (96 % de sensibilité)
    • Performances plus limitées pour le coude (87 % de sensibilité, 65 % de spécificité).

    Pour les auteurs, ces chiffres confirment l’intérêt de BoneView comme système d’aide au triage en situation d’urgence. L’IA n’a pas vocation à remplacer le radiologue, mais elle peut signaler une suspicion de fracture, réduisant ainsi le risque d’erreurs et améliorant la rapidité de prise en charge.

    Gériatrie : la radiologie face à l’explosion démographique

    Si la pédiatrie bénéficie déjà d’outils concrets, la gériatrie reste un champ en devenir. Pourtant, l’urgence est bien réelle : selon l’OMS, le nombre de personnes âgées de plus de 60 ans devrait doubler d’ici 2050.

    Les patients âgés présentent des caractéristiques spécifiques : comorbidités multiples, fragilité, poly-médication, perte de mobilité ou de cognition. Autant de facteurs qui compliquent la réalisation et l’interprétation des examens d’imagerie. Dans un éditorial publié en 2022, plusieurs radiologues appelaient à la création d’une sous-spécialité de radiologie gériatrique, capable de développer des protocoles adaptés et de former des praticiens à ces enjeux.

    Ici, l’IA pourrait devenir un outil clé. En combinant imagerie, données cliniques et biologiques, les algorithmes pourraient mieux distinguer un processus pathologique d’une modification liée au vieillissement normal. Mais pour l’heure, peu de solutions sont validées. Le champ reste largement ouvert à l’innovation.

    Biomarqueurs du vieillissement : l’IA comme outil prédictif

    Au-delà du diagnostic, la recherche se tourne vers la médecine prédictive. L’IA est en effet capable d’extraire des biomarqueurs subtils à partir d’images standards. En gériatrie, plusieurs pistes sont explorées :

    • L’âge cérébral apparent, qui permet de comparer l’aspect du cerveau d’un patient à une base de référence et d’anticiper un risque de déclin cognitif.
    • La densité osseuse, utilisée pour détecter précocement l’ostéoporose.
    • La qualité musculaire, corrélée à la sarcopénie et au risque de chute.
    • Les lésions vasculaires infra-cliniques, indicatrices d’un risque cardiovasculaire futur.

    Ces biomarqueurs pourraient à terme fournir un score global de fragilité et permettre une prévention plus personnalisée. L’idée : intervenir avant que la dépendance ne s’installe, en ajustant les traitements, l’alimentation ou la rééducation.

    Des défis éthiques et organisationnels à relever

    Malgré ces promesses, plusieurs obstacles freinent l’adoption de l’IA aux âges extrêmes. Le premier est celui des biais de données : la plupart des algorithmes ont été entraînés sur des adultes jeunes, ce qui limite leur fiabilité pour les enfants et les personnes âgées.

    L’acceptabilité constitue un autre enjeu. Les familles d’enfants malades, comme les patients âgés, peuvent se montrer méfiants vis-à-vis de décisions perçues comme « automatisées ». La transparence des algorithmes et leur explicabilité sont donc essentielles pour instaurer la confiance.

    Enfin, l’organisation hospitalière doit suivre. Former les équipes, adapter les protocoles, financer les équipements : autant de conditions nécessaires pour que l’IA ne reste pas l’apanage de quelques centres d’excellence, mais irrigue l’ensemble du système de santé.

  • « L’objectif est d’apporter une assistance au radiologue, de l’aide au diagnostic mais pas le diagnostic » (Agnès Malgouyres, Siemens)

    La radiologie est historiquement un domaine propice à l’utilisation de l’Intelligence Artificielle, ceci en raison de la nature essentiellement graphique des données qu’elle produit. Dans le cadre de son étude sur l’IA en radiologie et de son suivi des évolutions de l’écosystème de la santé numérique Health&Tech Intelligence s’est entretenu avec Agnès Malgouyres pour mieux comprendre où en était l’utilisation concrète de l’IA en Radiologie aujourd’hui.

    IA : une stratégie historique chez Siemens Healthineers

    L’intelligence artificielle (IA) est utilisée chez Siemens Healthineers depuis plus de 20 ans, avec les premiers brevets en machine learning en 1996 et deep learning en 2002. L’augmentation des données, la puissance de calcul accrue et les progrès algorithmiques ont fait de l’IA un pilier central des solutions proposées. Siemens Healthineers investit dans 6 centres mondiaux de recherche en IA, compte 150 chercheurs et une équipe médicale dédiée à l’annotation, détient 600 brevets, 110 solutions IA, 65 dispositifs validés par la FDA, exploite 2 milliards d’images et données, et s’appuie sur le supercalculateur SHERLOCK (340 Pflops). Agnès Malgouyres, responsable de la valorisation des innovations stratégiques et de l’IA précise cependant : « l’objectif est d’apporter une assistance au radiologue, de l’aide au diagnostic mais pas le diagnostic ».

    IA embarquée : optimiser les systèmes et le parcours patient

    Les IA embarquées anticipent les pannes techniques, comme les défaillances des tubes à rayons X, et optimisent le positionnement du patient pour diminuer la dose de radiation tout en améliorant la qualité d’image en scanner (une erreur du patient de 3 cm augmente la dose de 18%). Le deep learning permet des examens  IRM au moins deux fois plus rapides et plus haute résolution. L’IA accompagne également la radiologie interventionnelle pour la réalisation des gestes (embolisation, radiothérapie interne…) et reconnait en échographie les organes cibles, réalise un gel de l’image pour automatiquement réaliser les mesures attendues.

    Aide à l’analyse d’images : supporter le diagnostic médical

    Les solutions d’aide à l’analyse couvertes par l’IA incluent Rad Companion, qui automatise plusieurs tâches (détection des lésions, scoring, mesures de volumes, compte rendu) pour des examens complexes du thorax, cerveau ou prostate, tout en laissant au radiologue le contrôle de la validation. L’IA facilite aussi l’analyse multimodale, comme en mammographie couplée à l’IRM, et réalise le contourage automatique des tissus à risque pour la radiothérapie.

    La promesse de l’IA en radiologie : prédiction et personnalisation

    L’IA favorise la médecine quantitative et prédictive : elle calcule la surcharge en fer et graisse dans le foie via la segmentation IRM, analyse la morphologie hippocampique pour anticiper la maladie d’Alzheimer, crée des jumeaux numériques du cœur pour optimiser les thérapies du rythme en cardiologie, et développe des outils prédictifs pour estimer l’évolution de pathologies, par exemple sur l’efficience attendue de la radiothérapie sur des tumeurs pulmonaires ou la gravité d’une pathologie Covid en scanner thoracique.

    Comparaison résolution et vitesse en standard (à gauche), et avec IA pour plus de résolution et moins de temps (à droite)

  • JFR 2025 : Siemens, GE Healthcare et Samsung primés aux Prix Innovation

    Modalités de participation

    Prix Innovation JFR

    • ouvert à toutes les entreprises exposant aux JFR 2025 ;
    • présenter une innovation de moins d’un an sur le marché ;
    • concourir dans une seule catégorie ;
    • lauréats sélectionnés par un jury.

    Catégories : imagerie en coupes (CT/MR) ; imagerie interventionnelle ; imagerie X/Ray (conventionnel, mammographie, ostéo) / échographie ; informatique de santé / intelligence artificielle ; prix Coup de cœur du jury.

    Prix Innovation Start-up

    • destiné aux porteurs de projets ou chefs d’entreprise développant une innovation dans l’imagerie médicale ;
    • domaines : imagerie diagnostique non interventionnelle ; imagerie interventionnelle diagnostique ; imagerie interventionnelle thérapeutique ; gestion et partage de données, algorithmes, nouvelles organisations ;
    • entreprises jeunes, avec prototype ou solution sur le marché depuis moins d’un an (éventuellement pilote d’expérimentation) ;
    • sélection par jury avec audition lors des JFR.

    Lauréats 2025 – Prix Innovation JFR

    Imagerie en coupes (CT/MR)

    Siemens Healthineers – Somatom On Site VB10 : scanner cérébral dédié aux unités de soins intensifs, mobile grâce à un chariot motorisé, avec statif télescopique auto-blindé protégeant le personnel et les patients contre les radiations.

    Imagerie interventionnelle

    GE Healthcare – ClearRecon DL : technologie de reconstruction 3D basée sur le deep learning, améliorant la qualité des images CBCT.

    Imagerie X/Ray / échographie

    Samsung – Live Liver Assist : outil basé sur le deep learning détectant en temps réel les lésions focales suspectes du foie en échographie, avec un taux de détection >80% pour 9 types de lésions.

    Lauréats 2025 – Prix Innovation Start-up

    Start-up sélectionnées : Radiologs, Caiman, Ximed, Nova Report, Replico.

    Prix Innovation

    Caiman : plateforme logicielle aidant à l’interprétation des examens d’imagerie oncologique grâce au machine learning et à des modèles multimodaux (texte + images), intégrant données cliniques et antécédents d’imagerie.

    Coup de cœur du jury

    Replico : technologie d’IA « Visionerves » permettant la modélisation 3D du système nerveux dans son contexte anatomique, créant un jumeau numérique pour assister les chirurgiens.

  • La radiologie entre deux vagues : 8 radiologues universitaires sur 10 utilisent déjà l’IA, mais l’intégration reste incomplète

    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.

  • 72 cas d’usage en imagerie médicale identifiés

    Le domaine de la radiologie connaît une transformation sans précédent sous l’effet de l’IA et de l’innovation logicielle : la totalité de l’étude relate des usages en établissement de santé et centres d’imagerie, dont 64 relèvent exclusivement de l’innovation médicale (soit près de 88 % des cas d’usage), tandis que les autres concernent l’information médicale, la recherche, le pilotage ou l’expérience patient

    Plus de 50% des cas d’usage sont en imagerie diagnostique

    Parmi les segments, l’imagerie diagnostique représente la majorité des cas d’usage recensés (37 sur 72), devant l’oncologie et la neurologie ou la cardiologie. L’analyse montre que l’utilisation de l’IA recouvre de nombreux champs :

    • l’aide au diagnostic,
    • la gestion et la hiérarchisation des flux de patients ;
    • la détection rapide de pathologies ;
    • l’amélioration de la qualité des images ;
    • la réduction des examens redondants ;
    • ou encore l’automatisation de la segmentation anatomique.

    Les hôpitaux les plus impliqués témoignent d’un écosystème structuré autour de centres de référence :

    Ces établissements apparaissent comme des catalyseurs de la diffusion des cas d’usage, bénéficiant à la fois d’un ancrage académique, d’un accès à des cohortes de patients et d’une proximité avec les industriels et start-up du secteur.

    L’analyse des cas d’usage met en évidence trois grands axes d’innovation :

    1. Aide au diagnostic (ex. interprétation automatisée de radiographies, IRM et scanners).
    2. Optimisation des parcours patients (ex. tri et priorisation, réduction de la durée des examens).
    3. Support thérapeutique et suivi clinique (ex. oncologie, cardiologie, monitoring post-opératoire).

    Cette triple dynamique reflète un basculement progressif d’une IA centrée sur la performance technique vers une IA intégrée aux parcours de soins.

    Les 37 cas d’imagerie diagnostique (radiographie, scanner, IRM) représentent un socle d’applications standardisables à grande échelle. La nature répétitive et massive des actes radiologiques favorise le développement de solutions reproductibles.

    • Exemple : l’IA de réduction du temps d’acquisition IRM (SmartSpeed, Philips) améliore à la fois la productivité et le confort patient.
    • Exemple : les solutions de tri automatisé (ChestView, Rapid Navigator Pro) permettent une priorisation immédiate des cas critiques aux urgences.

    Ces cas montrent la possibilité de déployer des solutions à fort effet de levier organisationnel sans nécessiter une refonte du système de soins.

    9 cas d’usage associant oncologie et imagerie

    Les segments hybrides constituent des pôles émergents d’innovation :

    • Oncologie et imagerie (9 cas) : détection automatisée des tumeurs, suivi de récidive, prédiction de réponse thérapeutique. Exemple : travaux intégrant l’IA pour le suivi du carcinome hépatocellulaire avancé.
    • Cardiologie et imagerie : analyse avancée des flux sanguins et de la fonction cardiaque via IRM.
    • Pédiatrie et imagerie : cas recensés à l’Hôpital Necker, appliqués aux maladies rares infantiles.

    Ces segments illustrent une évolution vers des applications transversales, au croisement des disciplines. Leur valeur stratégique réside dans la capacité à :

    1. Cibler des pathologies à forte charge socio-économique (cancers, maladies cardio-vasculaires).
    2. Proposer des parcours de soins intégrés (diagnostic, suivi, monitoring).
    3. Développer des preuves cliniques différenciantes pour des solutions plus complexes et moins substituables.

    Dynamique industrielle : plus de 72 entreprises mentionnées, de la start-up à l’équipementier

    Les données mettent en évidence une chaîne de valeur diversifiée :

    Cette diversité reflète un écosystème riche mais compétitif, où coexistent logiques de niche (solutions ciblées par pathologie) et logiques d’intégration (solutions transversales intégrées aux équipements).

    L’enjeu pour les hôpitaux et décideurs publics est de favoriser l’interopérabilité et de prévenir la dépendance à quelques acteurs dominants.

    Les cas d’usage pour la radiologie s’articulent autour de 7 axes

    Amélioration de la qualité et de la précision diagnostique

    Les algorithmes analysent et reconstruisent les images médicales avec une capacité supérieure à diminuer le bruit et les artefacts (ex. : AIR Recon DL, SubtleMR), permettent une localisation de lésions automatisée (fractures, nodules pulmonaires, lésions hépatiques), ou restituent un score de sévérité sur des pathologies comme la gonarthrose.

    Gain de rapidité à plusieurs niveaux

    L’IA accélère les acquisitions d’IRM et la lecture d’examens parfois complexes (ex. : SmartSpeed, Philips Precise Image), réduit les délais d’intervention pour les urgences (hémorragie cérébrale : qER, CINA, Annalise), et assure la priorisation intelligente des examens en fonction de leur criticité.

    Optimisation des flux de travail hospitaliers

    18 cas d’usage visent à transformer l’organisation opérationnelle, que ce soit par le tri des patients selon la gravité, la génération automatisée et standardisée de comptes rendus, ou des solutions de partage d’expertise à distance (ex. : SmartDiag pour la permanence des soins en imagerie) ; le tout concourt à fiabiliser le circuit, réduire la charge administrative et soutenir la continuité de service, y compris pour les établissements sous-dotés.

    Segmentation automatisée et quantification objective

    En oncologie, neurologie, et maladies chroniques, l’IA propose des outils de volumétrie, d’analyse longitudinale et de suivi — favorisant la personnalisation du parcours thérapeutique.

    Personnalisation avancée

    6 cas d’usage exploitent les capacités de modélisation individuelle (prédiction de survie, stratification du risque, génération de plans opératoires personnalisés, ajustement dose/radiation en pédiatrie).

    Recherche et transformation des données

    3 cas d’usage sont spécifiquement sous l’axe « recherche », avec transformation des données dormantes, annotation automatisée et archivage intelligent. La constitution de métadonnées structurées, la standardisation documentaire et l’assistance à l’annotation accélèrent non seulement la recherche clinique mais ouvrent la voie à un usage scientifique secondaire plus rapide de l’imagerie médicale, optimisant la valorisation des données hospitalières.

    Automatisation, standardisation et expérience patient

    4 cas d’usage sur l’automatisation de la rédaction des comptes rendus ou de la standardisation documentaire. Notre cartographie révèle qu’outre l’amélioration du diagnostic, les innovations visent à alléger la charge administrative des radiologues (ex. : Sirona Reporting, ENDEX) et à homogénéiser la qualité documentaire, ce qui profite tant à la continuité des soins qu’à la sécurité juridique.

    Vigilance accrue face aux risques et aux erreurs

    L’intégration de l’IA en radiologie ne va pas sans enjeux.

    Présence d’erreurs résiduelles et risque de faux négatifs ou positifs.

    Plusieurs solutions sont conçues comme filet de sécurité en relecture, mais le risque de manquer une lésion ou au contraire de sur-détecter reste présent, ce qui rend impératif un contrôle médical systématique.

    Variabilité interopérateur et reprise de la subjectivité.

    Malgré les avancées de standardisation, certaines évaluations (comme les scores radiographiques ou la segmentation fine) subissent encore une variabilité selon les sites ou opérateurs, ce qui implique l’exigence de validation continue.

    Doutes sur la fiabilité et la sécurité.

    Trois cas d’usage intègrent au descriptif des notions explicites de sécurité, relatives à la réduction des actes/reprises, à la limitation de la dose d’irradiation, ou à la traçabilité des process, mais leur généralisation reste à formaliser.

    Limites d’acceptabilité (mention indirecte) et enjeux organisationnels.

    La mutation des pratiques requiert l’adhésion des professionnels, la clarté sur la responsabilité médicale et le développement d’une interopérabilité forte avec les systèmes (PACS/RIS).

    Perspectives stratégiques

    À l’appui de cette cartographie, il apparaît que l’IA en radiologie connaît une diffusion rapide, plurielle et scientifiquement appuyée. La majorité des cas d’usages mettent l’accent sur le gain de qualité, de précision, et la réduction des délais, tout en optimisant l’organisation des flux hospitaliers et en préparant une médecine plus personnalisée.

    D’importants risques subsistent, principalement sur la sécurité, la persistance d’erreurs et de variabilité ainsi que la nécessité d’assurer le contrôle médical et l’adoption humaine et organisationnelle. Le développement de dispositifs validés, interopérables et traçables représente un enjeu structurant pour l’échelle industrielle et l’acceptabilité.

    Le dynamisme du marché se retrouve dans la diversité des solutions, l’implication croissante de plusieurs établissements pilotes et la montée d’usage en oncologie, pédiatrie, neurologie et chirurgie robotique. Enfin, l’impact sur la recherche, la documentation structurée et le travail collaboratif laisse entrevoir des bénéfices dépassant le seul cadre du diagnostic, pour inclure qualité globale des parcours patients et valorisation des données hospitalières.

    Cartographie des cas d’usage :

  • 118 solutions d’IA en radiologie : oncologie, traumatologie et neurologie en tête

    Près d’une solution sur deux dédiée à l’oncologie

    Près de la moitié des solutions recensées dans l’écosystème de l’IA radiologique concernent l’oncologie. Cette domination n’est pas surprenante : la cancérologie concentre à la fois des enjeux de santé publique majeurs et un volume d’examens qui pèse sur les capacités d’interprétation des radiologues.

    Le cancer du sein reste la priorité numéro un.
    Des solutions comme MammoScreen (Therapixel), déployée à l’Hôpital Saint-Joseph de Marseille, au CH de Valenciennes et à l’Hôpital Foch, analysent les mammographies 2D et attribuent un score de suspicion. Le radiologue peut ainsi prioriser les cas nécessitant une attention particulière, ce qui accélère la prise en charge.
    Transpara et Cleo Breast (Primaa) complètent cet arsenal en automatisant la détection de biomarqueurs (mitoses, métastases ganglionnaires) et en réduisant les biais cognitifs.
    INFRA, solution française testée à l’Hôpital Saint-Louis (AP-HP), mise sur la personnalisation du dépistage en évaluant le risque individuel de développer un cancer du sein.

    Au-delà du sein, d’autres cancers bénéficient d’innovations :

    • PET VCAR (GE HealthCare) rationalise l’évaluation métabolique dans les examens PET/CT en segmentant automatiquement les lésions.
    • Liver ASSIST Virtual Parenchyma (GE HealthCare), pensée pour la radiologie interventionnelle hépatique, simule la perfusion du foie afin de planifier des embolisations plus sûres.
    • Caiman est une plateforme d’aide à l’interprétation de l’imagerie oncologique, combinant IA multimodale, données cliniques et examens antérieurs.

    20 % des solutions ciblent la traumatologie, moteur français de l’innovation

    Le deuxième grand champ d’application concerne l’imagerie osseuse et traumatologique. La France occupe ici une place de leader avec plusieurs solutions devenues références internationales.

    Gleamer s’impose comme un acteur central.

    • BoneView, sa solution phare, fournit une seconde lecture automatique des radiographies traumatiques, avec un déploiement dans de nombreux établissements publics (AP-HP, CHU de Lille, CHRU de Nancy). Elle détecte en quelques secondes fractures, luxations et lésions osseuses, réduisant le risque de sous-diagnostic.
    • ChestView vise spécifiquement la cage thoracique et détecte les fractures costales.
    • BoneAge automatise l’évaluation de l’âge osseux à partir de radiographies, un outil précieux en pédiatrie pour diagnostiquer des troubles endocriniens.

    Azmed complète ce paysage avec Rayvolve, une suite logicielle destinée aux urgences. Rayvolve détecte les fractures des os longs et courts (poignet, cheville, fémur, coude, épaule), avec un usage rapporté à l’Hôpital Lariboisière (AP-HP) et au CH d’Aix.

    Ces outils partagent une même finalité : soutenir les urgentistes et radiologues dans des contextes où la rapidité et la fiabilité du diagnostic sont critiques.

    15 % des solutions concentrées sur la neurologie et le suivi longitudinal

    La neurologie illustre une autre dimension forte de l’IA en radiologie : l’analyse quantitative et le suivi longitudinal.

    Pixyl, startup française, s’impose dans ce domaine.

    • Pixyl.Neuro.MS automatise l’analyse des IRM cérébrales pour la sclérose en plaques : détection des hyperintensités, classification des lésions actives et analyse longitudinale. Le rapport structuré généré est intégré directement dans le PACS.
    • Pixyl.Neuro.BV, lancée en janvier 2025, étend ce savoir-faire à Alzheimer et aux troubles cognitifs légers, en quantifiant précisément les volumes cérébraux.

    D’autres acteurs complètent cette dynamique :

    • BrainScan CT, solution polonaise intégrée dans la marketplace Dedalus, détecte automatiquement les lésions cérébrales sur scanner d’urgence.
    • Cercare Medical NeuroSuite, utilisé aux Hospices Civils de Lyon, fournit une modélisation microvasculaire avancée pour évaluer la santé cérébrale.
    • Projet Apprimage (Aramis Lab, AP-HP) s’appuie sur plus de 100 000 IRM issues de l’entrepôt de données AP-HP pour valider des algorithmes en vie réelle.

    Là encore, l’IA dépasse la simple aide au diagnostic : elle produit des rapports quantitatifs et standardisés, réduisant la variabilité inter-opérateurs et facilitant la comparaison des examens dans le temps.

    Thorax : dépistage et triage, 12 % des solutions identifiées

    Les pathologies thoraciques constituent un terrain d’adoption rapide de l’IA, en particulier pour le dépistage du cancer du poumon et la gestion des flux aux urgences.

    qXR (Qure.ai) illustre cette tendance. Utilisé aux CHU de Rennes, Poitiers et Nancy, l’outil analyse les radiographies thoraciques et distingue les examens normaux des examens anormaux. Ce triage en temps réel permet de prioriser les patients les plus à risque dans des services d’urgence saturés.

    D’autres solutions se concentrent sur le dépistage :

    • syngo.CT Lung CAD (Siemens Healthineers) facilite la détection précoce des nodules pulmonaires.
    • Aview LCS Plus (Coreline Soft) élargit l’analyse à la BPCO et au scoring calcique des artères coronaires.
    • HealthOST (Nanox.AI) détecte les fractures vertébrales sur scanner thoracique ou abdominal.
    • HealthCCSng (Nanox.AI) quantifie la calcification des artères coronaires, contribuant à l’évaluation du risque cardiovasculaire.

    Ces outils traduisent une orientation vers la médecine prédictive et préventive, avec un rôle fort dans l’identification précoce des patients à risque.

    10 % des solutions dédiées à l’organisation et aux flux

    Au-delà des cas cliniques, l’IA se positionne comme un outil d’organisation hospitalière. Dans un contexte de pénurie de radiologues et de saturation des flux, plusieurs solutions se concentrent sur l’automatisation des tâches et la standardisation.

    • Rapid Navigator Pro (RapidAI) orchestre le flux de travail : génération automatique de comptes rendus structurés, priorisation des cas critiques, préchargement d’antériorités.
    • Genesis (Incepto Medical) propose une plateforme de co-développement avec les radiologues, facilitant la labellisation d’images et l’entraînement de nouveaux modèles.
    • ENDEX (Enlitic) s’attaque à la standardisation des données DICOM, permettant un gain moyen de 60 à 90 secondes par étude, soit jusqu’à 15 % de productivité supplémentaire.
    • Sirona Reporting (Sirona Medical) explore une automatisation plus poussée du reporting, intégrée aux systèmes PACS et RIS.

    Ces innovations traduisent un glissement : l’IA n’est plus seulement « un œil numérique », mais un pilote du flux radiologique, capable de transformer la productivité et la qualité du service.

    Radiologie interventionnelle : 5 % d’outils centrés sur la sécurité des gestes

    Dans le champ interventionnel, l’IA trouve des applications particulièrement sensibles, où la précision et la sécurité sont primordiales.

    • Liver ASSIST Virtual Parenchyma (GE HealthCare) permet de simuler la perfusion hépatique à partir de points d’injection virtuels, réduisant le nombre d’acquisitions nécessaires et donc la dose et le contraste.
    • Lumina 3D (RapidAI) propose des reconstructions CTA 3D quasi instantanées, utiles pour planifier l’accès vasculaire en neuroradiologie.
    • Precise Position (Philips) automatise le positionnement du patient en scanner grâce à une caméra et des algorithmes de deep learning, réduisant de 23 % le temps d’installation.
    • GE Healthcare – ClearRecon DL : technologie de reconstruction 3D basée sur le deep learning, améliorant la qualité des images CBCT.

    Ces solutions illustrent un basculement vers des outils d’assistance en temps réel, capables de sécuriser et d’accélérer des procédures complexes. Leur diffusion est particulièrement rapide dans les centres privés spécialisés.

    Analyse macro : un écosystème dominé par l’oncologie et porté par la France

    Parmi les 118 solutions d’IA en radiologie recensées, près de 47 % ciblent directement le champ de l’oncologie, confirmant la prédominance du cancer du sein et du poumon comme priorités de santé publique et terrains privilégiés pour la validation clinique. Viennent ensuite les solutions dédiées à la traumatologie et à l’imagerie osseuse (environ 20 %), portées en grande partie par des startups françaises (Gleamer, Azmed), et les applications en neurologie (près de 15 %), centrées sur le suivi longitudinal de maladies chroniques comme la sclérose en plaques ou Alzheimer. Les modules d’orchestration organisationnelle représentent pour leur part un peu plus de 10 %, traduisant une émergence récente mais stratégique pour répondre à la pénurie de radiologues et à la pression croissante sur les services d’imagerie.

    IA et langage naturel : donner une voix à la radiologie

    Si la majorité des solutions s’appuient sur l’analyse d’images, un nouveau champ émerge : celui du traitement du langage naturel (NLP). Ces outils ne se contentent pas de détecter des anomalies, ils dialoguent, reformulent et facilitent la compréhension et la transmission des résultats.

    La startup française Mata Medical Data, testée au CHU de Lille, illustre cette tendance. Sa plateforme associe NLP et machine learning pour simuler une conversation en langage naturel (chat, téléphone, applications mobiles). Elle facilite l’interprétation, l’analyse et surtout l’échange d’informations radiologiques entre professionnels et patients, ouvrant la voie à une radiologie plus interactive et plus accessible.

    Dans le même esprit, Deemea exploite le NLP pour la recherche clinique et l’exploitation des images médicales, accélérant l’annotation et l’analyse de grandes bases de données. Better World, bien que moins centrée sur la radiologie, applique le NLP à l’expérience patient en traduisant les retours et verbatims en informations exploitables, simplifiant ainsi la communication entre soignants et usagers.

    Adoption différenciée : 60 % des validations en public, industrialisation dans le privé

    En termes d’adoption, l’analyse des usages révèle une diffusion différenciée entre le secteur public et le secteur privé. Les hôpitaux universitaires et l’AP-HP se distinguent comme principaux terrains de validation, avec plus de 60 % des solutions phares testées ou en cours d’évaluation dans ces structures. Le secteur privé, notamment les groupes d’imagerie et les cliniques, apparaît en revanche comme le moteur de l’industrialisation, en particulier pour les solutions à fort impact opérationnel (flux, triage, traumatologie). Cette dynamique traduit un double mouvement : la validation scientifique dans le public et l’implémentation rapide dans le privé, où les gains de productivité, la réduction des délais et la différenciation concurrentielle constituent des leviers d’adoption puissants.

     

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • Radiologie interventionnelle : l’IA crée +20 % de gain d’efficience clinique (revue de littérature)

    Un corpus de 64 articles en 2025 dont 17 revues

    L’intégration de l’intelligence artificielle (IA) en radiologie ne constitue pas un simple choix technologique : elle engage en profondeur la filière sur la qualité, la sécurité clinique, la compétitivité économique et la formation des équipes médicales. Cet article analyse ces enjeux à partir d’une synthèse rigoureuse d’articles scientifiques publiés récemment dans des revues internationales et nationales majeures telles que :

    • le Journal of Vascular and Interventional Radiology ,
    • Diagnostics Basel ,
    • Diagnostique & Interventional Imaging ,
    • Can Assoc Radiol J , Eur J Radiol ,

    ainsi que plusieurs travaux spécifiques sur la standardisation, les impacts organisationnels, les enjeux réglementaires et pédagogiques.

    Les études sélectionnées émanent d’institutions hospitalières, universitaires et centres de recherche majeurs situés en Amérique du Nord (NIH, Harvard, Mayo Clinic), Europe (AP-HP Paris, Oxford, Université de Fribourg, INSERM, Hôpital Européen Georges Pompidou), et Asie (Tokyo, Okayama, Nagoya, Bangalore). En s’appuyant exclusivement sur ces 64 références, cet article vise à apporter une synthèse structurée et objective, formulant des constats fondés et des perspectives pour l’ensemble de la filière. L’objectif est d’éclairer les professionnels de santé et décideurs sur la portée réelle de l’IA en radiologie interventionnelle, tout en contextualisant les résultats dans leur cadre institutionnel, géographique et disciplinaire.

    Les enjeux de la RI sont à la fois techniques, organisationnels et humains

    Aujourd’hui, l’IA s’est imposée comme un vecteur d’innovation structurant dans l’ensemble du champ radiologique, en particulier dans la radiologie interventionnelle (RI) et l’oncologie interventionnelle. Sa diffusion rapide résulte de plusieurs facteurs :

    • L’explosion du volume et de la complexité des données d’imagerie médicale ;
    • Les besoins croissants d’automatisation des tâches, de personnalisation des diagnostics et de rationalisation des parcours patient ;
    • Un environnement réglementaire évolutif propice à l’expérimentation, à condition que la sécurité et la traçabilité soient assurées (cf. initiatives européennes : EU AI Act ).

    Les travaux de Barat et al. (France, 2025 ) témoignent de l’avance française dans l’intégration de solutions IA dédiées au diagnostic, à l’interprétation automatisée de l’imagerie et à l’amélioration de la précision des gestes interventionnels. Le même article souligne que ces innovations s’inscrivent dans un écosystème de recherche ouvert où la collaboration entre CHU, universités et industriels favorise la compétitivité nationale et européenne.

    Synthèse des principaux résultats

    Exactitude diagnostique : l’IA atteint une AUC de 0,85 pour la détection automatisée d’hémorragie

    Divers articles révèlent que l’IA (notamment le deep learning) améliore sensiblement la détection d’événements cliniques critiques tels que l’hémorragie (AUC : 0,80–0,85 pour la détection automatisée sur l’angiographie DSA), l’automatisation de la segmentation d’organe ou de lésion, et la réduction de la variabilité inter-opérateur (Raskin D et al., 2025).

    Par ailleurs, l’introduction du standard international iCARE (Interventional Radiology Checklist for Artificial Intelligence Research Evaluation) vise à renforcer la robustesse des études cliniques s’appuyant sur l’IA dans le code-to-clinic, incluant gestion des données, contrôle du biais, reproductibilité et déploiement (Anibal JT et al., 2025).

    Radioprotection : diminution de la dose jusqu’à 40 % avec la collimation IA

    L’IA permet des avancées majeures en réduction de dose (collimation automatique, optimisation du geste), en surveillance automatisée du risque (analyse d’événements indésirables : précision de classification > 85-100 %, Warren et al., 2025), et en assistance au ciblage interventionnel (Lee BC et al., 2025).

    Avec cela, on note de nouveaux défis réglementaires et éthiques dont les risques liés à la responsabilité médico-légale, effets boîte noire, et limites d’acceptation par les équipes (Contaldo MT et al., Int J Med Robot, 2025).

    Optimisation des workflows : +20 % d’efficience opérationnelle

    L’IA optimise les workflows, automatise des tâches répétitives, et favorise l’intégration d’applications mobiles pour les procédures guidées par image (Brenner JL et al., 2025). L’hétérogénéité de l’intégration selon les centres (écart public/privé, ressources matérielles) demeure un frein à la généralisation (Brenner JL et al., 2025).

    Formation par simulateur IA/VR : +50 % d’objectivation des compétences en cursus digitalisé

    La synthèse de Srinivasan et al. (Royaume-Uni, Australie, France ) répertorie l’émergence de programmes de simulation par IA et réalité virtuelle, renforçant la capacité des professionnels à s’entraîner sans risques pour les patients. La diversification des approches pédagogiques (mentorat classique, modélisation, e-learning, VR) soutient la montée en compétences et la standardisation des pratiques, face à la complexification des dispositifs et à l’automatisation croissante des procédures.

    Tableau synthétique : Intégration de l’IA en radiologie interventionnelle

    Axe Avancées et chiffres clés Recommandations/standards Limites et risques identifiés Études/Références
    Qualité Précision accrue ; AUC hémorragie : 0.80–0.85 ; segmentation auto. ; réduction variabilité Checklist iCARE, normes CIRSE/SIR Données restreintes, validation clinique limitée, pas de FDA DSA IA Raskin et al., 2025 ; Anibal et al., 2025 ; Cornelis et al., 2025
    Sécurité clinique Diminution radiations IA collimation ; surveillance aut. événements (> 85-100 %) Consentement dédié robotisation ; certification EU AI Act Responsabilité médico-légale, black-box, acceptabilité inégale Lee BC et al., 2025 ; Warren et al., 2025 ; Contaldo et al., 2025
    Compétitivité Automatisation, multilingue (IR-GPT), intégration smartphones, efficience R&D collaborative ; standards AI Act Inégalités accès/équipement, hétérogénéité, retards réglementaires Brenner JL et al., 2025 ; Lee K et al., 2025
    Formation Simulateurs IA/VR, évaluation objective, rapport clinical facilité (LLM) Cursus IA, formation continue digitale Difficultés pour avancés, risque sur-automatisation, biais outils simu. Srinivasan D et al., 2025 ; Can E et al., 2025 ; Lastrucci A et al., 2025

    Déploiement limité : aucun outil d’IA abdominal/pelvien actuellement approuvé par la FDA

    L’introduction de l’IA en RI restructure profondément le champ professionnel. D’un côté, l’efficience, la personnalisation et la sécurité progressent au rythme de l’automatisation et des nouveaux standards internationaux ; de l’autre, des verrous subsistent sur la validation clinique, la régulation, l’équité de déploiement et la formation.

    Parmi les freins identifiés, l’absence de dispositifs d’IA approuvés par la FDA pour les applications abdominopelviennes en 2025 constitue un point d’alerte majeur pour la filière. Selon la revue systématique de Raskin et al. (European Journal of Radiology, 2025), « à ce jour, aucun outil de deep learning n’a validé l’obtention d’une autorisation FDA pour l’angiographie numérique abdominopelvienne. »

    Cette réalité implique que la sécurité et la généralisation de ces solutions sont encore bridées par des exigences réglementaires accrues, tant au niveau des protocoles de validation prospective que de l’interprétabilité technique. Elle souligne également l’importance de poursuivre des efforts méthodologiques vers les approches multimodales et génératives, tout en tenant compte des spécificités réglementaires propres à chaque territoire.

    L’analyse permet de dégager trois messages :

    1. La qualité et la sécurité clinique exigent un pilotage multidimensionnel, associant normes techniques, évaluation humaine et dispositifs de gouvernance éthique.
    2. La compétitivité future de la radiologie européenne dépendra de sa capacité à structurer la R&D collaborative et à harmoniser les usages.
    3. La réussite de l’IA passera par une réinvention de la formation et la co-construction de standards pédagogiques et organisationnels.

    Ce constat est important pour l’élaboration des stratégies d’intégration sectorielle, rappelant que l’innovation technique doit impérativement être adossée à une démarche de validation et d’accompagnement régulatoire robuste.

    Annexe 1– méthode de recherche documentaire PubMed

    La constitution du corpus d’articles retenus pour cette synthèse repose sur une requête structurée dans la base de données PubMed, réalisée en septembre 2025. Cette recherche avait pour objectif d’identifier les publications scientifiques récentes portant sur l’intelligence artificielle appliquée à la radiologie interventionnelle. Le terme “récent” a été limité aux années 2024 et 2025.

    La stratégie d’interrogation s’est appuyée sur une combinaison de termes MeSH (“Medical Subject Headings”) et de mots-clés en texte libre, selon la syntaxe suivante :

    ("artificial intelligence"[MeSH Terms] OR "artificial intelligence"[tiab] OR "machine learning"[tiab] OR "deep learning"[tiab] OR "neural network*"[tiab] OR "computer-assisted"[tiab] OR "AI"[tiab])
    AND
    ("radiology, interventional"[MeSH Terms] OR "interventional radiology"[tiab] OR "minimally invasive radiology"[tiab] OR "catheter-based"[tiab])
    AND
    ("2024"[Date - Publication] OR "2025"[Date - Publication])

  • Effectifs en hausse dans la radiologie, mais des réformes à l’arrêt faute de dialogue avec la CNAM

    • Le nombre de radiologues augmente de 0,6 % en un an, atteignant 9 342 professionnels en 2025.
    • Le métier se rajeunit : 31 % des radiologues ont moins de 40 ans.
    • La féminisation progresse : 45 % de femmes chez les radiologues, avec une forte proportion chez les moins de 40 ans.
    • 3,1 Md€ d’honoraires perçus par les radiologues libéraux en 2023, dont 421 M€ en dépassements.
    • 203 M€ de prescriptions émises par les radiologues (biologie, dispositifs, soins infirmiers).
    • Les solutions d’IA permettent +30 % de productivité sur les IRM.
    • Un tiers des radiologues utilise la reconnaissance vocale pour les comptes rendus.
    • Près de 1 500 IRM en service en France en 2025, contre 1 280 en 2023.
    • Les négociations entre CNAM et syndicats sont gelées, faute de gouvernance politique stable.
    • La FNMR rejette le rapport IGAS/IGF et conteste les 300 M€ d’économies demandées sur les forfaits techniques.
    • 13 éditeurs se positionnent pour la DRIMbox, outil pour lutter contre les examens redondants via le DMP.

    🧑‍⚕️Les effectifs ont progressé de 0,6 % en un an, avec une croissance continue depuis 2012 pour les radiologues comme pour les médecins nucléaires.

    Le nombre de radiologues en exercice en France continue d’augmenter légèrement. Selon les données publiées par la Direction de la recherche, des études, de l’évaluation et des statistiques (DREES), 9 342 radiologues étaient en activité au 1er janvier 2025, en France métropolitaine et dans les DROM, contre 9 286 un an plus tôt, soit une hausse de 0,6 %.

    Source : Caisse nationale de l’Assurance Maladie (Cnam), données du SNDS

    Une croissance régulière depuis plus d’une décennie, et une profession rajeunie

    Entre 2012 et 2025, les effectifs de radiologues ont progressé de 13,65 %. À cette date, les radiologues représentent un peu moins de 4 % de l’ensemble des médecins en activité en France, qui sont au nombre de 237 200. Les médecins nucléaires connaissent une dynamique similaire. Ils étaient 875 à exercer en France au début de l’année 2025, contre 849 l’année précédente. Soit une augmentation de 3,1 % sur un an. Sur treize ans, cette spécialité connaît également une évolution à la hausse, bien que le taux précis d’augmentation ne soit pas indiqué dans les données publiées. La DREES indique également que 31 % des radiologues ont aujourd’hui moins de 40 ans, signe d’un certain renouvellement générationnel au sein de la profession.

    Effectif des radiologues par territoire

    Source : Caisse nationale de l’Assurance Maladie (Cnam), données du SNDS

    💰3 milliards d’euros d’honoraires, dont 421 millions en dépassements

    Une patientèle stable, 7 213 patients en moyenne par an

    Les radiologues libéraux ont perçu un total de 3,1 milliards d’euros d’honoraires en 2023. La majorité (2,69 Md€) provient des actes techniques. S’y ajoutent des rémunérations forfaitaires (25 M€), quelques indemnités de déplacement et près de 421 millions d’euros de dépassements. Le taux de dépassement moyen pour les praticiens en secteur 2 s’établit à 41 %, avec des écarts notables : 23 % pour ceux adhérant à l’Optam, 61 % pour ceux qui n’y adhèrent pas. En 2023, chaque radiologue libéral a suivi en moyenne 7 213 patients, un chiffre en légère hausse (+217) par rapport à 2022. Le volume des prescriptions générées par la profession atteint 203 millions d’euros. Ces prescriptions concernent principalement des actes de biologie, des dispositifs médicaux ou des soins infirmiers.

    Honoraires détaillés (total 2023)

    3 138,1 millions €
    • Actes : 2 690,4 millions €
    • Rémunérations forfaitaires : 25,0 millions €
    • Indemnités de déplacement : 7 219,0 €
    • Autres types d’honoraires : 1,7 millions €
    • Dépassements : 421,1 millions

    📉Imagerie médicale : 6 indicateurs chiffrés pour comprendre l’évolution du marché en 2025

    La productivité des IRM progresse de 30 % grâce à l’IA, et un tiers des radiologues utilise la reconnaissance vocale.

    Plusieurs indicateurs témoignent de dynamiques à suivre : montée en puissance de l’offre vétérinaire, féminisation croissante de la profession, renouvellement technologique rapide des équipements, et transformation numérique des pratiques.

    • 1 milliard d’euros pour les prestations d’imagerie vétérinaire : en progression, les services d’imagerie vétérinaire ont franchi le cap du milliard d’euros de chiffre d’affaires en 2025. Cette croissance est portée par l’augmentation du nombre d’animaux de compagnie (près de 15 millions de chats et plus de 7 millions de chiens en 2022) et par l’équipement des cliniques en IRM et scanners. Des industriels du secteur médical humain, comme GE Healthcare ou Siemens, adaptent leurs technologies aux usages vétérinaires.
    • 45 % de femmes parmi les radiologues : La part de femmes radiologues continue de progresser, atteignant 45 % en 2025 contre 35 % au début de la décennie. Ce mouvement suit la féminisation plus large du corps médical français, qui compte désormais 52 % de femmes médecins en activité. La tendance est marquée chez les radiologues de moins de 40 ans. En revanche, les postes de direction restent encore majoritairement occupés par des hommes.
    • Près de 1 500 IRM en service sur le territoire : La France dispose en 2025 de près de 1 500 appareils IRM, contre 1 280 en 2023 et environ 1 034 en 2019. Cette augmentation répond à la demande d’harmonisation avec les moyennes européennes. Le taux de pénétration des IRM atteint environ 19 appareils par million d’habitants, mais des disparités territoriales subsistent.
    • Une durée de vie des équipements lourds limitée à 10 ans : Les équipements lourds d’imagerie (IRM, scanners) sont rarement utilisés au-delà de 10 ans. L’obsolescence technologique rapide, les exigences réglementaires (recommandation du COCIR : moins de 10 % du parc au-delà de 10 ans), et les coûts de maintenance favorisent un renouvellement anticipé. Le maintien à niveau du parc matériel est essentiel pour assurer des diagnostics précis.
    • Un tiers des radiologues utilise la reconnaissance vocale au quotidien : Environ un tiers des radiologues en France ont recours à la reconnaissance vocale pour la rédaction de leurs comptes-rendus. Ce taux reste inférieur à celui observé dans certains pays européens (plus de 85 % au Royaume-Uni). L’outil permet un gain de temps, notamment pour les examens réalisés en horaires décalés, mais son adoption reste freinée.
    • +30 % de productivité pour les IRM grâce à l’optimisation logicielle : Les solutions d’optimisation logicielle, notamment fondées sur l’IA, permettent une augmentation estimée à 30 % de la productivité des équipements IRM. Des technologies comme Deep Resolve (Siemens) ou Milvue permettent d’accélérer les temps d’acquisition et d’automatiser certaines tâches de diagnostic. Ces outils contribuent à améliorer le taux d’occupation des équipements et à absorber la demande.

    🏛️La radiologie française à l’arrêt, faute de gouvernance

    Les discussions sur les baisses tarifaires des actes, l’évolution du métier de MERM ou le protocole CNAM sont suspendues. Les professionnels appellent à la mobilisation le 1er octobre.

    Malgré ces points positifs, la radiologie française se trouve en suspens, affectée par l’instabilité politique actuelle. Plusieurs projets portés par les représentants de la profession sont interrompus faute de gouvernance. Le dialogue avec la Caisse nationale d’Assurance maladie (CNAM), jugé déséquilibré, suscite une même mobilisation le 1er octobre.

    300 M€ d’économies ciblées sur les forfaits techniques contestées par la FNMR

    La tension reste vive autour des préconisations du rapport IGAS/IGF, qui proposait de réaliser 300 millions d’euros d’économies par an sur les actes d’imagerie médicale, en particulier via des baisses des forfaits techniques. Le Dr Jean-Philippe Masson, président de la Fédération nationale des médecins radiologues (FNMR), a qualifié ce plan de « malhonnête intellectuellement », rappelant que les forfaits techniques (FT) ne représentent que 30 % des dépenses d’imagerie, alors qu’ils seraient mis à contribution pour 50 % des économies. Dans les derniers jours du gouvernement Bayrou, un échange avait eu lieu entre le Dr Masson et le ministre de la Santé Yannick Neuder, qui avait promis une réouverture des discussions si son mandat était reconduit. Depuis, le changement de gouvernement a suspendu toute avancée. Le risque demeure que le directeur général de la CNAM procède à des baisses unilatérales des cotations via la loi de financement de la Sécurité sociale (LFSS), imposée par le 49.3.

    MERM : des dossiers jugés prioritaires gelés en raison de l’instabilité gouvernementale

    Du côté paramédical, les travaux entamés autour de l’évolution du métier de manipulateur en électroradiologie médicale (MERM) sont également à l’arrêt. Portés par le Conseil national professionnel des manipulateurs (CNPMEM), les échanges menés cet été avec Yannick Neuder au ministère de la Santé avaient permis d’aborder plusieurs sujets :

    • Montée en puissance des instituts de formation.
    • Pénurie de professionnels.
    • Ou encore projet de master en pratiques avancées.

    La réunion, qualifiée de dense et constructive par ses participants, n’a pas débouché sur des suites concrètes. L’absence de gouvernance politique empêche aujourd’hui toute mise en œuvre, y compris sur des dossiers considérés comme prioritaires pour la sécurisation de la filière. Après quatre changements de Premier ministre en trois ans, les représentants de la communauté radiologique, comme les autres acteurs du système de santé, attendent la nomination d’une nouvelle équipe stable pour relancer les discussions. D’ici là, les initiatives entamées restent gelées et les perspectives incertaines.

    📣La FNMR rejette en bloc le rapport IGAS/IGF et le protocole de la CNAM

    Une accusation jugée intolérable par les radiologues

    Publié le 15 juillet 2025, le rapport conjoint de l’Inspection générale des affaires sociales (IGAS) et de l’Inspection générale des finances (IGF) sur l’imagerie médicale continue de provoquer des réactions. Le document critique la rentabilité de la radiologie française et remet en question son intégration au parcours de soins. Réuni à Paris le 13 septembre, le Conseil d’administration de la Fédération nationale des médecins radiologues (FNMR) a voté à l’unanimité une double motion. La première rejette le protocole Imagerie 2025-2027 proposé par la Caisse nationale d’assurance maladie (CNAM), qui prévoit 300 millions d’euros d’économies d’ici 2027. La seconde s’oppose fermement aux conclusions du rapport IGAS/IGF.

    La FNMR conteste en particulier l’affirmation du rapport selon laquelle « la radiologie n’est pas une activité de soins », qu’elle considère comme une contre-vérité. Dans son communiqué, elle alerte : si le prochain Projet de loi de financement de la Sécurité sociale (PLFSS), fondé sur le rapport Charges et Produits de la CNAM, s’appuie sur ces analyses, l’accès aux soins serait « largement remis en cause ».

    Une série de mesures à partir du 1er octobre

    Pour marquer son désaccord, la FNMR a validé plusieurs actions, effectives dès le 1er octobre 2025, date prévue d’entrée en vigueur du protocole. Elle appelle à une grève de la permanence des soins en établissements de santé (PDSES), à l’arrêt de la participation aux appels à candidatures lancés par les agences régionales de santé (ARS) pour organiser cette permanence, et à une mobilisation territoriale visant à sensibiliser les professionnels, les élus et les parlementaires.

    📊Entre 15 % et 30 % des centres d’imagerie en France seraient financiarisés, selon plusieurs sources

    Le Sénat, la CNAM et plusieurs acteurs de terrain alertent sur la montée des logiques d’investissement financier dans le secteur radiologique, avec des impacts potentiels sur l’indépendance médicale et la qualité des soins. Selon l’association CORaIL, 15 % des centres d’imagerie seraient aujourd’hui concernés par cette financiarisation. D’autres estimations, comme celles des groupes ImDev et Vidi citées dans un rapport sénatorial de septembre 2024, avancent un chiffre allant jusqu’à 30 %.

    Les opérations de rachat se déroulent souvent via des stratégies comme le leverage buyout (LBO) ou des acquisitions en série (roll-up). En Europe, les obligations de notification à l’Autorité de la concurrence ne s’appliquent qu’aux transactions supérieures à 150 millions d’euros, limitant la visibilité sur l’étendue du phénomène. Parmi les fonds d’investissement identifiés dans le secteur de l’imagerie figurent Blackstone, Bridgepoint, Ardian (avec Simago), Andera (Résonance Imagerie), Antin Infrastructure Partners, Parquest (associé à la MACSF), Essling Expansion, Bpifrance, Sofipaca (X-Ray Phocea) et Eurazeo via son fonds Nov Santé aux côtés de Bpifrance dans Imapôle.

    Automatisation, renouvellement des équipements : les raisons de l’intérêt des investisseurs pour la radiologie

    Le secteur radiologique présente plusieurs caractéristiques favorables aux investisseurs :

    • La nécessité de renouveler régulièrement des équipements coûteux (tous les 5 à 7 ans).
    • La dépendance aux services après-vente pour garantir la qualité des examens.
    • Les perspectives d’automatisation via l’intelligence artificielle (IA), perçue comme un levier d’optimisation des coûts et de rentabilité.

    Des risques éthiques et médicaux pointés par le Sénat

    Dans son rapport du 25 septembre 2024, la commission des affaires sociales du Sénat formule 18 propositions pour encadrer la financiarisation de l’offre de soins. Le texte met en garde contre les dérives potentielles, notamment la surutilisation d’examens coûteux comme l’IRM sans justification médicale, ou encore la perte de gouvernance médicale dans les structures de radiologie. Le document alerte également sur l’effet possible de l’IA, si celle-ci est mal encadrée : en renforçant les logiques de rentabilité, elle pourrait accentuer la déconnexion entre pratiques médicales et décisions d’investissement.

    🩻13 éditeurs candidats pour la DRIMbox, un levier contre la redondance des examens d’imagerie

    Le programme Ségur numérique Vague 2 dédié à l’imagerie repose sur un principe d’incitation financière. Il vise à soutenir le développement de solutions logicielles compatibles avec les exigences nationales en matière d’échange et de partage de données de santé. Dans ce cadre, les éditeurs peuvent bénéficier d’un financement public à condition d’intégrer les fonctionnalités demandées. Les établissements de santé et centres de radiologie qui s’équipent reçoivent également un soutien financier de l’État. Pour la DRIMbox, ce financement couvre intégralement le matériel. Les éditeurs ont jusqu’au 16 septembre 2026 pour référencer leur DRIMbox.

    La DRIMbox est une interface de communication conçue pour faciliter l’accès et le partage d’images médicales. Elle permet, d’une part, de générer des liens vers des images stockées dans des systèmes PACS sur tout le territoire, et, d’autre part, d’interroger le DMP pour localiser ces images. Les flux passent de DRIMbox à DRIMbox, garantissant un accès direct depuis les comptes rendus médicaux. Trois types d’utilisateurs sont identifiés :

    • Les patients, qui peuvent consulter leurs images.
    • Les médecins prescripteurs, qui y accèdent via le DMP.
    • Et les radiologues, pour les échanges entre plateformes.

    Examens redondants : les médecins devront consulter le DMP avant toute prescription

    L’un des objectifs est la réduction des examens redondants. À terme, les prescripteurs devront vérifier l’existence d’un examen dans le DMP avant toute nouvelle demande d’imagerie. Les radiologues, eux aussi, devront s’assurer de l’absence de doublon. À partir du 31 décembre 2025, la transmission des demandes d’imagerie devra obligatoirement passer par le DMP.

    Le dispositif mise sur une interopérabilité renforcée et une sécurisation des données. Afin d’être référencés, les éditeurs doivent répondre à un cahier des charges, qui intègre des exigences en cybersécurité. Des tests d’intrusion sont requis pour la validation. Treize éditeurs se sont portés candidats au référencement DRIMbox, et onze pour les logiciels RIS (Radiology Information System). Concernant le RIS, l’évolution inclut l’interrogation et le rapatriement des documents disponibles dans le Dossier médical partagé (DMP), comme les résultats de laboratoire ou les lettres de sortie.

    Des échéances précises jusqu’en 2027

    Le processus suit un calendrier encadré : les éditeurs doivent déposer leur dossier de référencement avant le 16 septembre 2026. Les établissements et centres de radiologie ont jusqu’au 10 novembre 2026 pour passer commande. Le déploiement du RIS doit être finalisé avant le 9 juin 2027, tandis que celui de la DRIMbox est attendu pour le 15 septembre 2027. Selon Jean-Marc Chevilley, Directeur de projet à la Délégation au Numérique en Santé, ce nouveau cadre pourrait améliorer la qualité de la prise en charge et réduire les délais d’accès à l’imagerie pour les patients.