Radiographies du thorax : une IA qui met les cas urgents en tête de file

Pourquoi certaines radios du thorax attendent-elles des jours ?

Dans un hôpital, des centaines de radiographies du thorax arrivent chaque jour. Les radiologues les lisent dans un certain ordre, qui ne tient pas toujours compte de ce qu'elles montrent. Une radio qui révèle un problème grave peut donc attendre derrière des radios normales.

Pour un patient, cette attente compte : plus la lecture est rapide, plus vite la prise en charge peut commencer.

C'est ce qu'on appelle le tri : placer chaque examen dans la bonne file d'attente selon son degré d'urgence, comme aux urgences d'un hôpital.

Que Annarumma et son équipe ont-ils construit ?

Ils ont développé un système fondé sur des réseaux de neurones convolutifs, des programmes qui apprennent à reconnaître des images. Il fonctionne en temps réel : il classe chaque radio d'adulte selon l'urgence de ce qu'elle montre.

Pour l'entraîner, ils avaient 470 388 radiographies anonymisées, réalisées de 2007 à 2017. Ils ont d'abord fait lire les comptes rendus écrits par les radiologues à un programme de langage, qui a rangé chaque radio dans une catégorie : critique, urgente, non urgente ou normale. Ensuite, le système d'image a appris à retrouver cette catégorie en regardant seulement l'image.

Qu'est-ce que la simulation a montré ?

Les chercheurs ont testé le système sur un ensemble indépendant de 15 887 radiographies. Il a détecté les radios normales avec une sensibilité de 71 % et une spécificité de 95 %.

Surtout, ils ont simulé ce qui se passerait si les examens étaient lus dans l'ordre choisi par l'IA et l'ont comparé aux données du passé. Le délai moyen de compte rendu est passé de 11,2 à 2,7 jours pour les examens critiques, et de 7,6 à 4,1 jours pour les examens urgents.

Qu'est-ce que cela peut changer pour les patients ?

Si le système était utilisé dans un vrai service, les radios montrant un problème grave seraient lues plus vite, sans que le nombre de radiologues change. Les auteurs concluent que le tri automatique en temps réel est faisable, avec des performances jugées cliniquement acceptables.

Ce n'est pas l'IA qui pose le diagnostic : elle change l'ordre de lecture, et c'est le radiologue qui lit l'examen.

En pratique, cela signifie qu'un examen révélant un problème grave pourrait passer devant des radios normales. Les auteurs parlent d'un gain de temps pour les cas qui en ont le plus besoin.

Quelles sont les limites ?

Les résultats viennent d'une simulation à partir d'examens passés, dans une seule institution. Les gains de délai annoncés sont ceux de cette simulation, pas ceux mesurés dans un service qui aurait adopté le système.

Les catégories d'urgence ont été déduites de comptes rendus rédigés par des humains. Il faudra vérifier en conditions réelles que le tri ne retarde pas, par erreur, un examen important.

La spécificité de 95 % pour les radios normales est bonne, mais la sensibilité de 71 % signifie qu'environ trois radios normales sur dix ne sont pas reconnues comme telles : l'outil n'est pas parfait.