Comment l'IA aide-t-elle à automatiser et à améliorer l'efficacité en radiologie ?
Est-ce qu'on peut rendre les tâches de radiologie plus rapides, plus précises et moins pénibles ? Avec l'arrivée de l'intelligence artificielle (IA), la réponse est oui, et c'est tout à fait possible
. Comme le nombre d'images augmente et qu'on a de moins en moins de personnel, l'IA devient un outil super important pour aider les équipes de radiologie à gérer et automatiser les tâches répétitives rapidement et de manière cohérente. Les applications radiologiques basées sur l'IA aident maintenant à trier les cas, analyser les images, générer des rapports et faire d'autres tâches de routine qui prennent souvent beaucoup de temps. En automatisant ces tâches, les radiologues peuvent se concentrer sur les cas complexes tout en respectant les attentes en matière de qualité et de délais. L'IA ne remplace pas le jugement clinique. Elle le soutient plutôt avec des infos fiables qui améliorent l'efficacité et la confiance dans le diagnostic.
Cet article explore comment l'IA simplifie les flux de travail radiologiques de routine. On va parler des tâches les plus courantes réalisées par l'IA, des principaux avantages comme des rapports plus rapides et des taux d'erreur plus faibles, et des limites dont les praticiens doivent être conscients. Nous nous appuierons sur des statistiques et des informations concrètes pour brosser un tableau complet du rôle croissant de l'IA en radiologie.
Le besoin d'automatisation en radiologie
Alors que le volume d'images continue d'augmenter et que les équipes de radiologie sont soumises à une pression croissante pour fournir des résultats plus rapidement, l'automatisation est devenue une nécessité tant sur le plan clinique qu'opérationnel. Les radiologues doivent gérer des flux de travail plus exigeants, tout en faisant face à des contraintes de personnel et à un épuisement professionnel croissant. En automatisant les processus répétitifs, l'IA aide à maintenir la cohérence et la qualité, même dans des environnements très stressants.
Demande croissante et pénurie de radiologues
À l'échelle mondiale, les radiologues sont en pénurie. Le volume des examens d'imagerie augmente de 5 % par an , tandis que le nombre de radiologues qualifiés ne suit pas le rythme. Rien qu'aux États-Unis, on prévoit une pénurie pouvant atteindre 42 000 radiologues d'ici 2033. Dans toute l'Europe, le NHS britannique signale une pénurie de main-d'œuvre de 30 %, et certains pays à faible revenu comptent moins de deux radiologues pour un million d'habitants. À mesure que l'écart se creuse, les services de radiologie sont soumis à une pression croissante pour faire plus avec moins de ressources.
Tâches routinières chronophages
Les tâches telles que les mesures, les comparaisons, l'étiquetage des images et la rédaction de rapports demandent du temps, mais ne nécessitent pas toujours un niveau d'interprétation élevé. L'automatisation de ces étapes répétitives aide les radiologues à se concentrer sur les cas complexes et à consacrer plus de temps à la prise de décision clinique. Des solutions comme OmegaAI® et PowerServer™ permettent un triage intelligent, une segmentation automatique et une gestion intelligente des listes de travail qui classent les examens en fonction de leur urgence, ce qui contribue à accélérer et à améliorer la prise en charge des patients.
Épuisement professionnel et erreurs humaines
L'épuisement professionnel continue d'toucher plus de 45 % des radiologues, en raison des longues heures de travail et de la charge administrative. La fatigue augmente le risque d'erreur humaine, surtout quand il y a beaucoup de travail ou pendant les gardes de nuit. L'analyse d'images par IA aide les radiologues en détectant les résultats critiques, en permettant de prioriser et en facilitant les flux de travail de deuxième lecture. Quand elle est bien intégrée, l'IA renforce la confiance dans le diagnostic et contribue à des soins plus sûrs et plus efficaces.
Ces avantages reflètent les avantages plus larges de l'de l'intelligence artificielle en radiologie, où l'analyse d'images et l'automatisation aident à réduire la variabilité des diagnostics, à accélérer les flux de travail et à soutenir des soins de haute qualité centrés sur le patient sans compromettre la surveillance clinique.
Tâches radiologiques automatisées grâce à l'IA
L'intelligence artificielle transforme le flux de travail quotidien des services de radiologie en automatisant les tâches routinières et répétitives qui nécessitaient auparavant beaucoup de temps et d'attention. L'IA améliore la précision, accélère l'examen des cas et permet aux équipes de radiologie de se concentrer davantage sur les cas complexes et la prise de décision clinique.
Analyse et détection d'images
Les algorithmes d'IA sont entraînés sur de grandes quantités de données d'imagerie annotées afin d'identifier les schémas associés 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 des séries d'images et mettent en évidence les zones d'intérêt pour un examen plus approfondi.
En analysant des milliers d'études avec une grande précision, l'IA améliore à la fois la rapidité et la cohérence des diagnostics. Des études évaluées par des pairs indiquent que les modèles basés sur YOLO ont atteint une précision de 98,7 % dans la détection des nodules pulmonaires sur des tomodensitogrammes[1]. Ce niveau de performance permet aux radiologues de se concentrer davantage sur l'interprétation avancée et les diagnostics différentiels, ce qui contribue à améliorer les résultats cliniques et la confiance diagnostique.
Workflow Triage et hiérarchisation des cas
Les plateformes de triage basées sur l'IA analysent en temps réel les examens d'imagerie entrants et les classent automatiquement en fonction de leur urgence et de leur pertinence clinique. Les résultats critiques, tels que les soupçons d'AVC, de pneumothorax ou d'hémorragie intracrânienne, sont classés par ordre de priorité et placés en tête de la liste de travail des radiologues. Le statut peut être personnalisé par chaque établissement afin de refléter les protocoles cliniques et les priorités locaux. Ces systèmes intelligents s'intègrent directement aux plateformes RIS, PACS et d'imagerie d'entreprise afin de garantir la continuité du flux de travail.
Une telle automatisation est particulièrement vitale dans les services de radiologie d'urgence et les centres d'imagerie à haut débit, où les retards d'interprétation et de triage des cas à haut risque peuvent retarder les soins médicaux urgents. Par exemple, l'interprétation des radiographies thoraciques assistée par l'IA a permis de réduire le délai moyen de traitement de 11,2 jours à 2,7 jours[2], illustrant ainsi la valeur opérationnelle et clinique de la hiérarchisation automatisée. Cette approche améliore le délai de diagnostic, augmente la productivité des radiologues et réduit la durée d'hospitalisation des patients à haut risque. L'IA en médecine d'urgence permet de mettre en évidence les cas critiques grâce à des alertes sur la liste de travail indiquant les cas les plus critiques par rapport au principe « premier arrivé, premier lu ».
Segmentation et annotation
Les outils d'IA gèrent désormais des tâches telles que la segmentation des lésions, l'étiquetage anatomique automatisé et l'identification des zones d'intérêt avec une précision impressionnante. Ces fonctionnalités réduisent le travail manuel et améliorent la cohérence des annotations d'images entre les radiologues 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 le volume des tumeurs, marquer des repères anatomiques ou suivre l'évolution de la maladie au fil du temps. Ce niveau d'automatisation garantit la reproductibilité, favorise la médecine de précision et réduit la variabilité dans les flux de travail cliniques complexes.
En standardisant les annotations et en minimisant les saisies manuelles, l'IA réduit également la variabilité inter-observateurs, un facteur clé dans la concordance des diagnostics et les études longitudinales.
Génération de rapports et documentation
Les systèmes basés sur l'IA peuvent extraire des données structurées à partir d'examens d'imagerie et générer des rapports préliminaires que les radiologues peuvent examiner et finaliser. Le traitement du langage naturel (NLP) améliore encore ce processus en convertissant les résultats médicaux en résumés lisibles et concis avec moins de dictée.
Les algorithmes NLP sont particulièrement utiles pour transformer des notes écrites ou orales en rapports radiologiques structurés. OmegaAI® et PowerServer™ de RamSoft intègrent des outils de reconnaissance vocale à des modèles de rapports structurés pour remplir automatiquement les impressions diagnostiques, les mesures et les détails de la procédure. Les processus d'IA automatisent aussi la comparaison et la sélection des modèles, la mise en correspondance des dictées des principales conclusions et la génération automatique des codes de facturation.
Ça réduit la charge cognitive des radiologues et minimise les erreurs administratives.
Les cliniques qui ont adopté des outils de rapport assistés par l'IA ont signalé des gains mesurables en termes de rapidité et de précision. Les radiologues peuvent finaliser leurs rapports plus efficacement, respecter les accords de niveau de service et consacrer plus de temps à communiquer leurs conclusions aux médecins traitants. Dans les environnements d'imagerie à haut volume, ce niveau d'automatisation améliore considérablement le délai de traitement des rapports et favorise une continuité des soins plus fluide.
Avantages de l'IA pour l'efficacité en radiologie
L'intelligence artificielle ne se contente pas d'améliorer les flux de travail. Elle aide les services de radiologie à fournir des soins plus rapides, plus cohérents et plus économes en ressources. Alors que le nombre de patients augmente et que les équipes doivent faire plus avec moins de ressources, l'IA est un outil stratégique qui cible les inefficacités et améliore la façon dont les services d'imagerie sont fournis. Les domaines suivants montrent comment l'IA contribue de manière significative à l'efficacité opérationnelle dans les environnements de radiologie modernes.
Vitesse accrue
L'IA améliore l'efficacité des scans en réduisant le temps entre l'acquisition des images et le diagnostic, et en automatisant les premières étapes du processus d'interprétation. Au lieu d'examiner manuellement chaque image, les radiologues peuvent compter sur des algorithmes d'IA pour pré-analyser les examens, mettre en évidence les résultats clés et trier les cas en fonction de leur urgence clinique, puis les transmettre aux radiologues spécialisés. Dans les systèmes hospitaliers très sollicités ou les réseaux de téléradiologie, cette fonctionnalité est essentielle pour maintenir le niveau de service attendu.
L'IA contribue également à éliminer les retards en traitant plus rapidement les cas courants, ce qui améliore le débit global des patients. Des délais d'examen plus courts permettent de réduire les délais de rapport et d'accélérer les décisions thérapeutiques, ce qui est particulièrement important dans les situations d'urgence et les soins intensifs.
Précision et cohérence du diagnostic
Les plateformes d'IA sont entraînées à partir de vastes ensembles de données et suivent des critères d'interprétation cohérents, ce qui contribue à normaliser les performances diagnostiques entre les radiologues et les équipes. Ces systèmes sont particulièrement efficaces pour repérer des signes subtils qui peuvent être manqués dans des environnements où le temps est compté, comme les microfractures, les tumeurs à un stade précoce ou les légers changements ischémiques.
Dans le cadre du diagnostic par IA, ces outils servent de deuxième lecteur, ce qui renforce la confiance et réduit les erreurs d'omission lors de l'interprétation des images. L'IA aide à surmonter les biais de lecture tels que ceux influencés par l'historique, la satisfaction de la recherche et la distraction causée par la pathologie.
Ce niveau de cohérence est particulièrement précieux dans les programmes d'assurance qualité et la surveillance à long terme des maladies, où il est essentiel de pouvoir faire des comparaisons précises dans le temps.
Réduction de la charge administrative
L'IA réduit considérablement le temps consacré aux tâches non cliniques telles que la documentation et l'étiquetage des images. Les radiologues consacrent souvent de nombreuses heures à des tâches administratives qui ne nécessitent pas d'interprétation clinique. Grâce aux outils d'IA basés sur le traitement du langage naturel et la reconnaissance vocale, une grande partie de cette documentation peut être automatisée. Ces solutions permettent d'extraire les données pertinentes des notes du DME, des antécédents, des résultats de laboratoire et des antécédents chirurgicaux, puis de remplir automatiquement des modèles et de rédiger des résumés de rapports. Les radiologues peuvent ainsi consacrer plus de temps à l'examen des cas complexes et à la consultation des médecins traitants, ce qui améliore à la fois leur productivité et leur satisfaction au travail.
Réduction des coûts et optimisation des ressources
L'IA permet aux services de radiologie d'améliorer leur efficacité sans nécessairement augmenter leurs effectifs ou leurs infrastructures. En réduisant les délais d'exécution et en augmentant la précision des rapports, l'IA contribue à minimiser le recours à des examens répétés et à des suivis inutiles. Ces améliorations se traduisent par une meilleure utilisation des scanners, une planification plus prévisible et un volume plus élevé d'examens par jour.
Les établissements qui mettent en œuvre des outils d'IA sont mieux placés pour répondre à la demande croissante sans sacrifier la qualité. Pour mieux comprendre comment ça marche en pratique, découvrez les principaux avantages de l'intelligence artificielle (IA) pour l'imagerie médicale.
Limites et risques de l'IA en radiologie
L'intelligence artificielle devient un élément essentiel des flux de travail modernes en radiologie, offrant des gains significatifs en termes de rapidité, de précision et d'efficacité. Cependant, sa mise en œuvre introduit de nouvelles complexités qui nécessitent une réflexion stratégique et une gouvernance solide. De la qualité des données à l'intégration des systèmes, en passant par les questions réglementaires et l'acceptation par les cliniciens, ces facteurs doivent être pris en compte pour garantir une mise en œuvre sûre et efficace dans tous les services d'imagerie.
Qualité des données et biais des algorithmes
La fiabilité des modèles d'IA dépend fortement de la qualité et de la diversité des données sur lesquelles ils sont entraînés. Des ensembles de données diversifiés et de haute qualité sont essentiels pour créer des algorithmes qui fonctionnent bien dans plein de situations cliniques. Quand les données d'entraînement ne sont pas représentatives, les modèles d'peuvent donner des résultats biaisés ou inexacts. Ça peut mener à des erreurs de diagnostic ou à des résultats inégaux pour les populations de patients sous-représentées.
En plus, les erreurs dans les ensembles de données étiquetés ou les incohérences dans les annotations peuvent induire en erreur les processus d'apprentissage automatique, ce qui réduit la précision des modèles. Les équipes de radiologie et les développeurs d'IA doivent investir dans des pratiques solides de gouvernance des données, y compris la validation sur plusieurs sites et auprès de plusieurs groupes de patients, afin d'améliorer la généralisation et de minimiser les biais. Il est également nécessaire de réentraîner continuellement les modèles avec des données nouvelles et vérifiées afin de maintenir la pertinence clinique et la sécurité au fil du temps.
Intégration dans les systèmes existants
L'un des obstacles les plus souvent négligés dans l'adoption de l'IA est la complexité technique de l'intégration de nouveaux outils dans les flux de travail radiologiques établis. Beaucoup de services utilisent des systèmes PACS, RIS et EHR qui ne sont pas conçus pour prendre en charge les applications d'IA. Sans une bonne stratégie d'intégration, l'introduction de l'IA peut créer des frictions et perturber la continuité des opérations au lieu de la simplifier.
Pour que le déploiement soit réussi, il faut que les systèmes existants puissent fonctionner ensemble et que les perturbations du flux de travail clinique soient minimales. Les outils d'IA doivent s'intégrer de manière transparente dans l'environnement du radiologue, éliminant ainsi le besoin de passer d'une liste de travail à une autre ou d'une plateforme à une autre, ou de saisir manuellement les données. C'est là qu'une infrastructure informatique robuste et une architecture logicielle adaptable sont essentielles.
L'PowerServer™ (une suite RIS/PACS basée sur le cloud) et l'OmegaAI® (une plateforme RIS/PACS/VNA native du cloud et sans empreinte) de RamSoft sont conçus pour s'intégrer de manière transparente à toute infrastructure de radiologie. Les deux sont compatibles avec les normes de l'industrie comme FHIR, HL7 et DICOM, et se connectent facilement à des outils tiers comme RADPAIR, Remedy Logic, iCAD, CARPL, Therapixel et NewVue, ce qui les rend super adaptables à divers environnements cliniques sans perturber les flux de travail existants.
Pour les réseaux de soins de santé opérant sur plusieurs sites ou dans plusieurs spécialités, l'architecture native cloud d'OmegaAI simplifie encore plus 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 réglementaires et éthiques
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 mesures de sécurité strictes afin de garantir 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 manière dont ils traitent les données et génèrent des résultats afin de maintenir la confiance des cliniciens et des patients.
Il est également nécessaire d'assurer une surveillance éthique. Une dépendance excessive à l'égard d'outils automatisés sans contrôle humain approprié peut entraîner des conséquences imprévues. Les régulateurs, les conseils d'administration des hôpitaux et les développeurs doivent collaborer pour définir des limites claires quant à la manière et au moment d'utiliser l'IA. Cela comprend la définition des responsabilités en cas d'erreurs et l'établissement de normes pour la validation des algorithmes avant leur déploiement clinique. Une surveillance continue après la mise sur le marché est tout aussi importante pour suivre les performances réelles et faire face aux risques émergents.
Résistance à l'adoption
Malgré des progrès prometteurs en matière de précision diagnostique et d'efficacité des flux de travail, la résistance à l'IA reste forte parmi les radiologues. Dans une enquête réalisée en 2024, près de la moitié des personnes interrogées ont exprimé leur crainte que l'IA finisse par remplacer une partie de leur travail. Ces craintes sont particulièrement répandues chez les radiologues plus expérimentés, qui se disent moins prêts à adopter l'IA que leurs collègues en début de carrière.
La transparence et la fiabilité des algorithmes constituent également des obstacles persistants. Selon la même enquête, 42,9 % des radiologues interrogés se demandent si l'IA est fiable dans les situations diagnostiques critiques.
La littérature souligne également que le manque de sensibilisation, l'expérience pratique limitée et l'absence de stratégies de mise en œuvre structurées contribuent à cette hésitation persistante. Les radiologues qui n'ont que des connaissances de base en IA sont beaucoup plus susceptibles de craindre son intégration, tandis que ceux qui la connaissent bien se disent plus confiants. Ça montre que des formations ciblées et une implication précoce sont essentielles pour améliorer l'adoption et la confiance.
Une approche collaborative peut apaiser ces inquiétudes. Quand les radiologues participent à l'évaluation et au déploiement des outils d'IA, ils sont plus susceptibles de les considérer comme des aides cliniques plutôt que comme des remplaçants. L'intégration de l'IA dans les programmes d'études médicales et de formation continue permet non seulement de combler les lacunes techniques, mais aussi de redéfinir l'IA comme un partenaire dans les soins, qui renforce le rôle du radiologue plutôt que de le remettre en cause.
L'avenir de l'automatisation en radiologie
Le rôle de l'IA en radiologie
L'intelligence artificielle transforme le travail des radiologues en prenant en charge des tâches répétitives telles que l'analyse d'images, la segmentation et la création de rapports structurés. Ces capacités permettent aux radiologues de se concentrer sur l'interprétation, les soins aux patients et la prise de décision clinique. L'IA est un partenaire fiable qui contribue à améliorer la cohérence des diagnostics, à réduire la fatigue et à fournir des soins rapides et de haute qualité.
En hiérarchisant les examens urgents, en extrayant instantanément les mesures et en organisant efficacement les données, l'IA améliore à la fois la rapidité et la précision du flux de travail d'imagerie. Ce partenariat permet d'améliorer la qualité des rapports et de réduire les délais d'exécution. Alors que les radiologues sont confrontés à des volumes d'imagerie de plus en plus importants et complexes, l'IA leur apporte le soutien nécessaire pour suivre le rythme sans compromettre les normes cliniques.
L'avenir de l'IA en radiologie
L'avenir de l'IA en radiologie s'oriente vers des systèmes plus intelligents, connectés et adaptés 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 afin d'offrir une image diagnostique plus complète. Ce niveau d'intégration aidera les radiologues à prendre des décisions encore plus rapides et éclairées en temps réel. L'IA profite aux patients en raccourcissant la durée des examens et en réduisant l'exposition aux rayonnements. En plus, l'IA est en cours de développement pour réduire ou supprimer les produits de contraste, en particulier en IRM et en tomodensitométrie, grâce à la génération d'images synthétiques post-contraste par modélisation informatique.
La poursuite de cette croissance dépendra de la collaboration entre tous les acteurs du secteur de la santé, des radiologues et des responsables informatiques aux organismes de réglementation et aux développeurs. Il reste essentiel de définir des normes claires en matière de sécurité, de transparence et de validation clinique. Dans le futur plus large de l'de l'IA en radiologie, l'automatisation permettra non seulement d'améliorer l'efficacité, mais aussi de renforcer les soins aux patients grâce à une meilleure coordination, à la réduction des délais et à des diagnostics plus fiables.
Prêt à voir l'IA en action ?
Découvrez comment RamSoft aide les cabinets de radiologie à prospérer dans le futur de l'IA en radiologie. Nos solutions RIS, PACS et VNA natives du cloud sont conçues pour accélérer les flux de travail d'imagerie, améliorer la fiabilité des diagnostics et s'intégrer de manière transparente aux outils que vous utilisez déjà. Grâce à des fonctionnalités d'IA intégrées et à des possibilités d'intégration infinies, tu peux rationaliser tes opérations, améliorer la collaboration et fournir des soins exceptionnels en toute confiance.
Demande une démo dès aujourd'hui sur et découvre ce que l'automatisation intelligente peut faire pour ton 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. Même si le but n'est pas de remplacer complètement le radiologue, l'automatisation aide pour des tâches clés comme le tri des images, la détection d'anomalies, les mesures, la génération de rapports et les recommandations de suivi. Ça permet aux radiologues de se concentrer sur des tâches plus importantes, ce qui améliore l'efficacité et la fiabilité des diagnostics.
Quels sont les avantages de l'automatisation des tâches radiologiques ?
L'automatisation des tâches radiologiques offre des avantages opérationnels et cliniques évidents. Elle réduit les délais d'exécution, minimise les erreurs humaines et améliore la cohérence des rapports. Les radiologues passent moins de temps sur des tâches répétitives comme les mesures et la mise en protocole, et plus de temps sur les décisions diagnostiques complexes. L'automatisation aide aussi à gérer l'augmentation du volume d'images, réduit la fatigue et améliore l'efficacité globale du flux de travail. Au final, les patients obtiennent 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 des anomalies, segmenter des structures, hiérarchiser les cas urgents et aider à générer des rapports structurés. Elle améliore la précision du diagnostic en mettant en évidence des indicateurs subtils qui peuvent être difficiles à détecter lors d'un examen manuel. L'IA peut également signaler les incohérences, rationaliser la documentation et réduire les frais administratifs.
Quels types de tâches radiologiques l'IA peut-elle automatiser ?
L'automatisation des tâches radiologiques couvre le tri des images, la détection des anomalies, les calculs de mesures, le pré-remplissage des rapports et les recommandations de suivi. Elle prend également en charge l'automatisation du flux de travail en organisant les priorités des études, en optimisant la planification et les opérations d'accueil. Ces fonctions automatisées aident les services de radiologie à augmenter leur débit, à standardiser leurs résultats et à améliorer la cohérence des diagnostics sur de gros volumes de données d'imagerie.
Combien de radiologues utilisent l'IA ?
L'adoption de l'IA en radiologie s'accélère. Selon une enquête réalisée en 2024 par la Société européenne de radiologie, 48 % des radiologues utilisent déjà des outils d'IA dans leur pratique clinique, et 25 % supplémentaires prévoient de 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, son adoption devrait s'étendre à tous les établissements de santé, quelle que soit leur taille, ce qui favorisera 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., & Farhood, B. (2025). Apprentissage profond multi-objectifs pour la détection du cancer du poumon dans les images CT : améliorations de la classification des tumeurs, de la localisation et de l'efficacité diagnostique. Discover Oncology, 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 de l'intelligence artificielle sont disponibles ? Diagnostics, 13(2), 216. https://doi.org/10.3390/diagnostics13020216
