Comment l'IA aide-t-elle à automatiser et à améliorer l'efficacité en radiologie ?

Les flux de travail de radiologie de routine peuvent-ils être plus rapides, plus précis et moins fastidieux ? Avec l'essor de l'intelligence artificielle (IA), la réponse est oui. À mesure que les volumes d'imagerie augmentent et que les contraintes de personnel se resserrent, l'IA devient un outil clé pour aider les équipes de radiologie à gérer et à automatiser les tâches répétitives avec rapidité et cohérence.

Les applications radiologiques de l'IA facilitent désormais le triage des cas, l'analyse d'images, la génération de rapports et d'autres processus de routine qui prennent souvent un temps précieux. En automatisant ces tâches, les radiologistes peuvent se concentrer sur les cas de grande complexité tout en maintenant les attentes en matière de qualité et de traitement. L'IA ne remplace pas le jugement clinique. Au lieu de cela, il le soutient avec des données fiables qui améliorent l'efficacité et la confiance en matière de diagnostic.

Cet article explore comment l'IA rationalise les flux de travail de radiologie de routine. Nous couvrirons les tâches les plus courantes alimentées par l'IA, les principaux avantages tels que des rapports plus rapides et des taux d'erreur plus faibles, et les limites que les pratiques doivent prendre en compte. En cours de route, nous ferons référence à des statistiques et à des informations du monde réel pour offrir un tableau complet du rôle croissant de l'IA en radiologie.

‍

Nécessité de l'automatisation en radiologie

Alors que les volumes d'imagerie continuent d'augmenter et que les équipes de radiologie font face à une pression croissante pour obtenir des résultats plus rapidement, l'automatisation est devenue un impératif clinique et opérationnel. Les radiologistes sont chargés de gérer des flux de travail plus exigeants dans un contexte de contraintes en matière de dotation et d'épuisement professionnel croissant. En automatisant les processus répétitifs, l'IA aide à maintenir la cohérence et la qualité, même dans les environnements à haute pression.

‍

Augmentation de la demande et pénurie de radiologues

À l'échelle mondiale, les radiologistes sont rares. Le volume des études d'imagerie augmente jusqu'à 5 % par année, alors que le nombre de radiologistes formés ne suit pas le rythme. Aux États-Unis seulement, une pénurie de 42 000 radiologistes est prévue d'ici 2033. Partout en Europe, le Le NHS du Royaume-Uni fait état d'une pénurie de main-d'œuvre de 30 %, et certains pays à faible revenu comptent moins de deux radiologistes par million d'habitants. À mesure que l'écart se creuse, les services de radiologie subissent des pressions pour en faire plus avec moins de ressources.

‍

Tâches routinières chronophages

Des tâches comme les mesures, les comparaisons, l'étiquetage des images et la rédaction de rapports exigent du temps, mais ne nécessitent pas toujours une interprétation de haut niveau. L'automatisation de ces étapes répétitives aide les radiologistes à hiérarchiser les cas complexes et à accorder plus d'attention à la prise de décision clinique. Des solutions comme OmegaAI® et PowerServer™ permettre un triage intelligent, une segmentation automatique et une gestion intelligente des listes de travail qui acheminent les études en fonction de l'urgence, ce qui contribue à une prestation de soins plus rapide et plus efficace.

‍

ÉPUISement professionnel et erreur humaine

L'épuisement professionnel continue touchent plus de 45 % des radiologistes, entraînées par de longues heures de travail et des charges administratives. La fatigue augmente le risque d'erreur humaine, en particulier pendant les quarts de travail à volume élevé ou de nuit. L'analyse d'images alimentée par l'IA aide les radiologistes à détecter les résultats critiques, à établir les priorités et à soutenir les flux de travail en deuxième lecture. Lorsqu'elle est intégrée de manière réfléchie, l'IA améliore la confiance en matière de diagnostic et contribue à des soins plus sécuritaires et plus efficaces.

Ces avantages reflètent l'ensemble des éléments suivants : avantages de l'intelligence artificielle en radiologie, où l'analyse et l'automatisation des images aident à réduire la variabilité diagnostique, à accélérer les flux de travail et à soutenir des soins de haute qualité axés sur le patient sans compromettre la surveillance clinique.

‍

Tâches de radiologie automatisées alimentées par l'IA

L'intelligence artificielle transforme le flux de travail quotidien des services de radiologie en automatisant les tâches répétitives et routinières qui nécessitaient auparavant un temps et une attention précieux. L'IA améliore la précision, accélère les examens de cas et aide les équipes de radiologie à se concentrer davantage sur les cas de grande complexité et la prise de décision clinique.

‍‍

Analyse et détection d'images

Les algorithmes d'IA sont formés sur de grands volumes de données d'imagerie annotées pour identifier les tendances associées à des anomalies telles que les tumeurs, les fractures, les hémorragies et les nodules pulmonaires. À l'aide de modalités telles que la tomodensitométrie, l'IRM et la radiographie, ces outils analysent rapidement les ensembles d'images et mettent en évidence les régions d'intérêt pour un examen plus approfondi.

En scannant des milliers d'études avec une grande précision, l'IA améliore à la fois la vitesse et la cohérence des diagnostics. Des études évaluées par des pairs indiquent que les modèles basés sur Yolo ont atteint jusqu'à Précision de 98,7 % dans la détection des nodules pulmonaires dans les tomodensitogrammes[1]. Ce niveau de performance permet aux radiologistes de se concentrer davantage sur l'interprétation avancée et les diagnostics différentiels, ce qui contribue à améliorer les résultats cliniques et à accroître la confiance en matière de diagnostic.

‍

Triage des flux de travail et hiérarchisation des cas

Les plateformes de triage basées sur l'IA analysent les études d'imagerie entrantes en temps réel, les classant automatiquement en fonction de l'urgence et de la pertinence clinique. Les constatations critiques, comme la suspicion d'accident vasculaire cérébral, de pneumothorax ou d'hémorragie intracrânienne, sont classées par ordre de priorité et remises en haut des listes de travail des radiologistes. Les statuts peuvent être personnalisés par chaque établissement pour refléter les protocoles cliniques et les priorités locaux. Ces systèmes intelligents s'intègrent directement aux plateformes RIS, PACS et d'imagerie d'entreprise pour assurer une continuité de flux de travail transparente.

Cette automatisation est particulièrement vitale dans les centres de radiologie d'urgence et d'imagerie à grand volume, où les retards dans l'interprétation et l'interprétation et le sous-triage des conditions à risque élevé peuvent retarder les soins médicaux urgents. Par exemple, l'interprétation des radiographies pulmonaires assistée par IA a permis de réduire les délais d'exécution moyens de 11,2 jours à 2,7 jours[2], illustrant la valeur opérationnelle et clinique de l'établissement automatisé des priorités. Cette approche permet d'améliorer le délai de diagnostic, d'améliorer la productivité des radiologistes et de réduire la durée de séjour des patients à risque élevé. L'IA en médecine d'urgence donne de la visibilité aux cas critiques grâce à des alertes sur la liste de travail des cas les plus critiques par rapport à la « première entrée, première lecture ».

‍

Segmentation et annotation

Les outils d'IA gèrent maintenant des tâches comme la segmentation des lésions, l'étiquetage anatomique automatisé et l'identification des régions d'intérêt avec une précision impressionnante. Ces caractéristiques réduisent l'effort manuel et améliorent la cohérence des annotations d'images entre les radiologistes et les établissements.

La segmentation automatisée joue un rôle essentiel dans la planification chirurgicale, le ciblage de la radiothérapie et le suivi de la réponse au traitement. Par exemple, les systèmes basés sur l'IA peuvent calculer les volumes de tumeurs, marquer des repères anatomiques ou suivre la progression de la maladie au fil du temps. Ce niveau d'automatisation assure la reproductibilité, soutient la médecine de précision et réduit la variabilité des flux de travail cliniques complexes.

En normalisant les annotations et en minimisant la saisie manuelle, l'IA réduit également la variabilité entre les observateurs, un facteur clé de l'accord diagnostique et des études longitudinales.

‍

Génération de rapports et documentation

Les systèmes alimentés par l'IA peuvent extraire des données structurées à partir d'études d'imagerie et générer des ébauches de rapports que les radiologues peuvent examiner et finaliser. Le traitement du langage naturel (PNL) améliore encore ce processus en convertissant les résultats médicaux en résumés lisibles et concis avec moins de dictée.

Les algorithmes de PNL sont particulièrement utiles pour transformer des notes orales ou écrites en rapports de radiologie structurés. RamSoft OmegaAI® et PowerServer™ intégrer des outils de reconnaissance vocale à des modèles de rapports structurés pour remplir automatiquement les impressions diagnostiques, les mesures et les détails procéduraux. Les processus d'IA automatisent également la comparaison et la sélection des modèles, le mappage des dictées des résultats clés et la génération automatisée de codes de facturation.

Cela réduit la charge cognitive des radiologistes et minimise les erreurs d'écriture.

Les cliniques qui adoptent des outils de signalement assistés par l'IA ont signalé des gains mesurables en termes de rapidité et de précision. Les radiologistes sont en mesure de finaliser les rapports plus efficacement, de respecter les ententes de niveau de service et de passer plus de temps à communiquer les résultats avec les médecins traitants. Dans les environnements d'imagerie à grand volume, ce niveau d'automatisation améliore considérablement le traitement des rapports et favorise un continuum de soins plus homogène.

‍

Avantages de l'IA pour l'efficacité en radiologie

L'intelligence artificielle améliore plus que les flux de travail. Il aide les services de radiologie à fournir des soins plus rapides, plus uniformes et axés sur les ressources. Alors que le nombre de patients augmente et que les équipes sont invitées à faire plus avec moins de ressources, l'IA agit comme un outil stratégique qui cible les inefficacités et améliore la prestation des services d'imagerie. Les domaines suivants démontrent comment l'IA contribue de manière significative à l'efficacité opérationnelle dans les environnements de radiologie modernes.

‍

Vitesse accélérée

L'IA améliore l'efficacité de la numérisation en réduisant le temps entre l'acquisition de l'image et le diagnostic, en automatisant les premières étapes du processus d'interprétation. Au lieu d'examiner chaque image manuellement, les radiologistes peuvent s'appuyer sur des algorithmes d'IA pour pré-analyser les études, mettre en évidence les résultats clés et trier les cas en fonction de l'urgence clinique, puis acheminer l'étude vers la spécialité des radiologistes. Dans les systèmes hospitaliers occupés ou les réseaux de téléradiologie, cette fonctionnalité est essentielle au maintien des attentes en matière de niveau de service.

L'IA aide également à éliminer l'arriéré en traitant plus rapidement les cas de routine, ce qui améliore le traitement global des patients. Des délais d'examen plus courts entraînent des délais de déclaration plus courts et des décisions de traitement plus rapides, ce qui est particulièrement important dans les environnements d'urgence et de soins aigus.

‍

Exactitude et cohérence du diagnostic

‍

Les plateformes d'IA sont formées sur de vastes ensembles de données et suivent des critères d'interprétation cohérents, ce qui aide à normaliser les performances diagnostiques entre les radiologistes et les équipes de travail. Ces systèmes sont particulièrement efficaces pour identifier des schémas subtils qui peuvent être négligés dans des environnements limités dans le temps, comme les microfractures, les tumeurs à un stade précoce ou de légers changements ischémiques.

Dans le cadre des diagnostics de l'IA, ces outils servent de deuxième lecteur. En renforçant la confiance et en réduisant les erreurs d'omission pendant l'image. interpretation.AI aide à surmonter les biais de lecture tels que les biais influencés par l'historique, la satisfaction de la recherche et la distraction causée par la pathologie.

Ce niveau d'uniformité est particulièrement précieux dans les programmes d'assurance de la qualité et la surveillance à long terme des maladies, où des comparaisons précises au fil du temps sont essentielles.

‍

Réduction de la charge de travail administrative

L'IA réduit considérablement le temps consacré aux tâches non cliniques comme la documentation et l'étiquetage des images. Les radiologistes consacrent souvent des heures considérables à des tâches administratives qui ne nécessitent pas d'interprétation clinique. Grâce aux outils d'IA alimentés par le traitement du langage naturel et la reconnaissance vocale, une grande partie de cette documentation peut être automatisée. Les solutions aident à extraire les données pertinentes des notes de DME, de l'historique, des laboratoires, des antécédents chirurgicaux, puis à remplir automatiquement les modèles et les ébauches de résumés de rapports. Cela permet aux radiologistes de passer plus de temps à examiner des cas complexes et à consulter les médecins traitants, ce qui améliore à la fois la productivité et la satisfaction au travail.

‍

Économies de coûts et optimisation des ressources

L'IA permet aux services de radiologie d'améliorer l'efficacité sans nécessairement augmenter la dotation en personnel ou l'infrastructure. En réduisant les délais d'exécution et en augmentant la précision des rapports, l'IA aide à réduire le besoin de répétitions d'analyses et de suivis inutiles. Ces améliorations se traduisent par une meilleure utilisation des scanners, une planification plus prévisible et un volume plus élevé d'études par jour.

Les institutions qui mettent en œuvre des outils d'IA sont mieux placées pour répondre à la demande croissante sans sacrifier la qualité. Pour un examen plus approfondi de la façon dont cela fonctionne dans la pratique, explorez la clé avantages de l'intelligence artificielle (IA) pour l'imagerie des soins de santé.

‍

Limites et risques de l'IA en radiologie

L'intelligence artificielle devient un élément essentiel des flux de travail de radiologie modernes, offrant des gains significatifs en termes de vitesse, de précision et d'efficacité. Cependant, sa mise en œuvre introduit de nouvelles complexités qui exigent une considération stratégique et une gouvernance solide. De la qualité des données et de l'intégration des systèmes aux préoccupations réglementaires et à l'acceptation par les cliniciens, ces facteurs doivent être pris en compte pour assurer une mise en œuvre sûre et efficace dans tous les services d'imagerie.

‍

Qualité des données et biais algorithmique

La fiabilité des modèles d'IA dépend fortement de la qualité et de la diversité des données sur lesquelles ils sont formés. Des ensembles de données diversifiés et de grande qualité sont essentiels à la création d'algorithmes qui fonctionnent de manière fiable dans un large éventail de scénarios cliniques. Lorsque les données sur la formation manquent de représentation, les modèles peuvent produire des résultats biaisés ou inexacts. Cela peut mener à des diagnostics erronés ou à des résultats inégaux pour les populations de patients sous-représentées.

De plus, les erreurs dans les ensembles de données étiquetés ou les incohérences dans les annotations peuvent tromper les processus d'apprentissage automatique, ce qui réduit la précision du modèle. Les équipes de radiologie et les développeurs d'IA doivent investir dans de solides pratiques de gouvernance des données, y compris la validation sur plusieurs sites et groupes de patients, afin d'améliorer la généralisabilité et de minimiser les biais. La reformation continue des modèles avec des données nouvelles et vérifiées est également nécessaire pour maintenir la pertinence clinique et l'innocuité au fil du temps.

‍

Intégration aux systèmes existants

L'un des obstacles les plus négligés dans l'adoption de l'IA est la complexité technique de l'intégration de nouveaux outils dans les flux de travail de radiologie établis. De nombreux ministères s'appuient sur des systèmes PACS, RIS et DSE hérités qui ne sont pas intrinsèquement conçus pour prendre en charge les applications d'IA. Sans une stratégie d'intégration bien planifiée, l'introduction de l'IA peut créer des frictions et perturber la continuité opérationnelle plutôt que de la rationaliser.

Un déploiement réussi nécessite l'interopérabilité avec les systèmes existants et une perturbation minimale du flux de travail clinique. Les outils d'IA doivent s'intégrer parfaitement à l'environnement du radiologiste, ce qui élimine le besoin de basculer entre les listes de travail et les plateformes ou de saisir manuellement les données. C'est là qu'une infrastructure informatique robuste et une architecture logicielle adaptable sont essentielles.

RamSoft PowerServer™ (suite RIS/PACS basée sur le nuage) et OmegaAI® (une plateforme RIS/PACS/VNA native du nuage à empreinte zéro) sont conçues pour une intégration transparente à toute infrastructure de radiologie. Les deux prennent en charge les normes de l'industrie telles que FHIR, HL7 et DICOM, et se connectent facilement à des outils tiers tels que RADPAIR, Remedy Logic, iCAD, CARPL, Therapixel et NewVue, ce qui les rend hautement adaptables à divers environnements cliniques sans perturber les flux de travail existants.

‍

Pour les réseaux de soins de santé opérant sur plusieurs sites ou spécialités, l'architecture cloud native d'OmegaAI simplifie davantage l'intégration centralisée et la mise à l'échelle. Grâce à des flux de travail configurables et à une large compatibilité, les solutions de RAMSoft permettent aux équipes informatiques et aux responsables cliniques d'adopter l'IA en toute confiance sans compromettre la sécurité, le flux de données ou la productivité.

‍

Préoccupations en matière de réglementation et d'éthique

L'utilisation de l'IA dans un contexte médical soulève d'importantes questions réglementaires et éthiques. Les données des patients doivent être traitées avec des garanties strictes pour assurer la confidentialité et le respect des lois sur les soins de santé telles que la loi HIPAA et le RGPD. Les systèmes d'IA doivent être transparents dans la façon dont ils traitent les données et générer des résultats pour maintenir la confiance entre les cliniciens et les patients.

Il y a aussi un besoin de surveillance éthique. Une dépendance excessive à les outils automatisés sans examen humain approprié peuvent entraîner des conséquences imprévues. Les organismes de réglementation, les conseils d'administration des hôpitaux et les développeurs doivent collaborer pour établir des limites claires quant à la façon et au moment où l'IA est utilisée. Cela comprend la définition de la responsabilité en cas d'erreur et l'établissement de normes pour la validation des algorithmes avant le déploiement clinique. La surveillance continue après la mise en marché est tout aussi importante pour suivre le rendement dans le monde réel et faire face aux risques émergents.

‍

Résistance à l'adoption

Malgré les progrès prometteurs en matière de précision diagnostique et d'efficacité du flux de travail, la résistance à l'IA demeure forte chez les radiologistes. Dans un sondage de 2024, près de la moitié des répondants se sont dits préoccupés par le fait que l'IA puisse éventuellement remplacer certaines parties de leur travail. Ces craintes sont particulièrement répandues chez les radiologistes plus expérimentés, qui déclarent être moins prêts à adopter l'IA que leurs homologues en début de carrière.

La transparence et la fiabilité des algorithmes sont également des obstacles persistants. Selon le même sondage, 42,9 % des radiologistes se sont demandé s'il était possible de faire confiance à l'IA dans les situations diagnostiques critiques.

La documentation insiste également sur le fait que le manque de sensibilisation, l'exposition pratique limitée et l'absence de stratégies de mise en œuvre structurées contribuent à l'hésitation continue. Les radiologistes qui n'ont que des connaissances de base de l'IA sont beaucoup plus susceptibles de craindre son intégration, tandis que ceux qui ont une connaissance avancée de l'IA déclarent une plus grande confiance. Cela indique qu'une éducation ciblée et un engagement précoce sont essentiels pour améliorer l'adoption et la confiance.

Une approche collaborative peut atténuer ces préoccupations. Lorsque les radiologistes participent à l'évaluation et au déploiement des outils d'IA, ils sont plus susceptibles de les considérer comme des aides cliniques plutôt que des substituts. L'intégration de l'IA dans le programme de médecine et les programmes de formation continue permet non seulement de combler les lacunes techniques, mais aussi de recréer l'IA en tant que partenaire de soins — une approche qui améliore, plutôt que de miner, le rôle du radiologiste.

‍

L'avenir de l'automatisation en radiologie

Rôle de l'IA en radiologie

L'intelligence artificielle transforme la façon dont les radiologistes travaillent en gérant des tâches répétitives comme l'analyse d'images, la segmentation et les rapports structurés. Ces capacités permettent aux radiologistes de se concentrer sur l'interprétation, les soins aux patients et la prise de décision clinique. L'IA est un partenaire de confiance qui contribue à améliorer l'uniformité des diagnostics, à réduire la fatigue et à soutenir des soins rapides et de haute qualité.

En donnant la priorité aux études urgentes, en extrayant les mesures instantanément et en organisant efficacement les données, l'IA améliore à la fois la vitesse et la précision du flux de travail d'imagerie. Ce partenariat permet d'améliorer la qualité des rapports et de réduire les délais de traitement. Alors que les radiologistes font face à des volumes et à une complexité croissants d'imagerie, l'IA fournit le soutien nécessaire pour suivre le rythme sans compromettre les normes cliniques.

‍

Regardes vers l'avenir pour la radiologie IA

L'avenir de l'IA en radiologie se dirige vers des systèmes plus intelligents, connectés et sensibles au contexte. À mesure que la technologie évolue, l'IA combinera de plus en plus l'imagerie médicale avec d'autres sources de données cliniques pour offrir un tableau diagnostique plus complet. Ce niveau d'intégration aidera les radiologistes à prendre des décisions encore plus rapides et plus éclairées en temps réel. L'IA profite aux patients en raccourcissant les temps de numérisation et en réduisant le rayonnement. De plus, l'IA est en cours de développement pour réduire ou omettre les produits de contraste, en particulier dans l'IRM et la tomodensitométrie, en générant des images synthétiques post-contraste au moyen de la modélisation informatique de l'IA.

La croissance continue dépendra de la collaboration entre les soins de santé, des radiologistes et des responsables informatiques aux organismes de réglementation et aux développeurs. L'établissement de normes claires en matière de sécurité, de transparence et de validation clinique demeure essentiel. Au sens large l'avenir de l'IA en radiologie, l'automatisation permettra non seulement d'accroître l'efficacité, mais aussi de renforcer les soins aux patients grâce à une meilleure coordination, à une réduction des délais et à des diagnostics plus confiants.

‍

Prêt à voir l'IA en action ?

Découvrez comment RAMSoft aide les pratiques de radiologie à prospérer dans l'avenir de l'IA en radiologie. Nos solutions RIS, PACS et VNA natives dans le cloud sont conçues pour accélérer les flux de travail d'imagerie, améliorer la confiance en matière de diagnostic et s'intégrer de manière transparente aux outils que vous utilisez déjà. Grâce aux fonctionnalités d'IA intégrées et aux possibilités d'intégration infinies, vous pouvez rationaliser les opérations, améliorer la collaboration et prodiguer des soins exceptionnels en toute confiance.

Demandez une démo aujourd'hui et découvrez ce que l'automatisation intelligente peut apporter à votre cabinet.

‍

Foire aux questions

La radiologie peut-elle être automatisée ?

Oui, de nombreux aspects de la radiologie peuvent être automatisés à l'aide de l'intelligence artificielle. Bien que le remplacement complet du radiologue ne soit ni l'intention ni la réalité, l'automatisation appuie des tâches clés telles que le triage d'images, la détection des anomalies, les mesures, la génération de rapports et les recommandations de suivi. Cela permet aux radiologistes de consacrer plus d'attention aux tâches de grande valeur, ce qui améliore à la fois l'efficacité et la confiance en matière de diagnostic.

‍

Quels sont les avantages de l'automatisation des tâches de radiologie ?

L'automatisation des tâches de radiologie offre des avantages opérationnels et cliniques évidents. Il réduit les délais d'exécution, minimise les erreurs humaines et améliore la cohérence des rapports. Les radiologistes consacrent moins de temps à des tâches répétitives comme les mesures et le protocolage, et plus de temps à prendre des décisions diagnostiques complexes. L'automatisation aide également à gérer les volumes croissants d'imagerie, à réduire la fatigue et à améliorer l'efficacité globale du flux de travail. En fin de compte, les patients reçoivent des résultats plus rapides et plus précis avec moins de retards.

‍

Que peut faire l'IA en radiologie ?

Les solutions d'imagerie par IA peuvent analyser des images médicales, détecter les anomalies, segmenter les structures, hiérarchiser les cas urgents et aider à générer des rapports structurés. Il améliore la précision du diagnostic en découvrant des indicateurs subtils qui peuvent ne pas être facilement perceptibles lors d'un examen manuel. L'IA peut également signaler les incohérences, rationaliser la documentation et réduire les frais généraux administratifs.

‍

Quels types de tâches radiologiques l'IA peut-elle automatiser ?

L'automatisation des tâches de radiologie couvre le triage d'images, la détection des anomalies, les calculs de mesure, le préremplissage des rapports et les recommandations de suivi. Il prend également en charge l'automatisation des flux de travail en organisant les priorités d'étude, en optimisant la planification et les opérations de la réception. Ces fonctions automatisées aident les services de radiologie à augmenter le débit, à normaliser les extrants et à améliorer la cohérence des diagnostics pour les volumes élevés de données d'imagerie.

‍

Combien de radiologistes utilisent l'IA ?

L'adoption de l'IA en radiologie s'accélère. Selon un sondage réalisé en 2024 par l'European Society of Radiology, 48 % des radiologistes utilisent déjà des outils d'IA dans la pratique clinique, et 25 % d'entre eux prévoient les adopter prochainement. L'utilisation est particulièrement élevée dans les grands hôpitaux et les groupes de téléradiologie. À mesure que la confiance dans l'IA grandit, l'adoption devrait se développer dans tous les établissements de soins de santé de toutes tailles, soutenant ainsi l'avenir de l'IA en radiologie.

‍

Références

[1] Abdulqader, A.F., Abdulameer, S., Bishoyi, A.K., Yadav, A., Rekha, M.M., Kundlas, M., Kavitha, V., Aminov, Z., Abdulali, Z. S., Alwan, M., Jawad, M., Mushtaq, H. et Farhood, B. (2025). Apprentissage profond multiobjectif pour la détection du cancer du poumon dans les images CT : Améliorations de la classification, de la localisation et de l'efficacité diagnostique des tumeurs. Découvrez l'oncologie, 16, 529. https://doi.org/10.1007/s12672-025-02314-8 

[2] Irmici, G., Cè, M., Caloro, E., Khenkina, N., Della Pepa, G., Ascenti, V., Martinenghi, C., Papa, S., Oliva, G., & Cellina, M. (2023). Radiographie thoracique en radiologie d'urgence : Quelles applications d'intelligence artificielle sont disponibles ? Diagnostics, 13(2), 216. https://doi.org/10.3390/diagnostics13020216 

‍