Selon l'American Journal of Roentgenology (AJR), l'intégration de l’assistance de l'IA dans la pratique clinique peut réduire les tâches répétitives pour les radiologues. Elle permet notamment d'économiser environ une heure de temps d'interprétation du scanner thoracique dans une journée de travail typique.
Une étude menée par le Dr U. Joseph Schoepf de l'Université médicale de Caroline du Sud à Charleston (South Carolina – USA) se propose d’évaluer le gain de temps permis par l’utilisation de l’Intelligence Artificielle (IA) dans la pratique des radiologues pour l’interprétation des scanners thoraciques.
Une étude pour évaluer les gains de temps dans la pratique radiologique assistée par l’IA
« Il s'agit de la première étude, à notre connaissance, qui mesure l'impact d'une plate-forme de support d'IA sur les temps d'interprétation du scanner thoracique dans un contexte clinique réel, précise le Dr Schoepf à propos de ce travail publié dans l’American Journal of Roentgenology. L'intégration de la plateforme dans le flux de travail clinique a entraîné une réduction moyenne des temps d'interprétation de 22,1 % chez trois radiologues cardiothoraciques pour lesquels les résultats de l'IA ont été mis à disposition. »
Cette étude prospective a inclus 390 patients (204 femmes, 186 hommes ; âge moyen : 62,8 ans) qui ont fait l’objet d’une tomodensitométrie (TDM) thoracique ambulatoire du 19 au 28 janvier 2021. Une solution logicielle commerciale, AI-Rad Companion, a fourni une analyse automatisée des résultats cardiaques, pulmonaires et musculo-squelettiques, ainsi que le taggage, la segmentation et la mesure des structures normales ou des anomalies. Les images annotées par l'IA et les résultats récapitulatifs générés automatiquement ont été stockés dans le PACS. Les examens de TDM thoracique ont été randomisés en utilisant une répartition 1: 1 entre les bras assistés par IA et non IA, puis interprétés cliniquement à l'aide d'un chronomètre.
Une heure d’interprétations économisée chaque jour
En fin de compte, les temps d'interprétation moyens étaient significativement plus courts dans le bras assisté par IA que dans le bras non IA pour les trois radiologues cardiothoraciques. Pour l’ensemble des lecteurs, la différence moyenne était de 93 secondes (IC à 95 %, 63 à 123 secondes), ce qui correspond à une réduction de 22,1 % dans le bras assisté par l'IA : 20,0 % et 24,2 % pour les scans avec et sans contraste, respectivement.
« Si l'assistance des interprétations automatisées de l'IA peut économiser une heure de temps d'interprétation chaque jour, comme estimé à partir de nos résultats, affirment les auteurs de cet article, alors les radiologues pourraient consacrer ce temps à d'autres activités, qu'il s'agisse de tâches cliniques supplémentaires telles que la communication des résultats aux patients et aux médecins traitants, ou des responsabilités administratives, de formation ou de recherche. »
Les grands modèles de langage multimodaux seraient-ils capables de réaliser des comptes rendus radiologiques ? Des résultats d’essais contradictoires troublent le ressenti sur les possibilités de GPT-4V, un modèle qui se concentre uniquement sur la précision diagnostique. Une étude publiée dans la R...
21/07/2025 -
Les méthodes d’élaboration des grands modèles de langage sont basées sur des règles qui ne traitent pas efficacement les données non standardisées. Des chercheurs britanniques présentent, dans un article publié dans la Revue European Radiology, RADEX, le nouvel outil d’extraction de données radiolog...
15/07/2025 -
Incontournables pour l’entrainement des modèles de deep learning, les annotations d’images radiologiques sont rébarbatives et chronophages pour les experts qui les créent. Des grands modèles de langage (LLM) pourraient remplacer les annotations humaines, comme l’indique un article scientifique publi...
23/06/2025 -
Radiologues, informaticiens et chercheurs présentent, dans un article publié dans la Revue Radiology, les pièges et les meilleures pratiques pour atténuer les biais des modèles d'intelligence artificielle (IA) en imagerie médicale. Ils présentent une sorte de feuille de route pour des pratiques plus...
13/06/2025 -
Selon une nouvelle étude publiée dans la Revue Radiology, un grand modèle de langage (LLM) améliorerait sensiblement la détection des erreurs dans les comptes rendus de radiologie. Les chercheurs ont utilisé des comptes rendus synthétiques et des données ciblées pour donner au LLM de la légèreté.
23/05/2025 -
Dans un nouvel article spécial publié dans la Revue Radiology, des chercheurs abordent les défis de cybersécurité liés aux grands modèles de langage (LLM). Ils soulignent l'importance de mettre en œuvre des mesures de sécurité pour empêcher leur utilisation malveillante dans le système de Santé et m...
21/05/2025 -
Les biais diagnostiques créés par l’IA relèvent d’un manque d’informations démographiques incluent dans les données de santé. Dans un article publié dans la Revue Radiology, des chercheurs américains décrivent l’importance d’une définition homogène décrivant les groupes démographiques. Un travail qu...
20/05/2025 -
Ne manquez aucune actualité en imagerie médicale et radiologie !
Inscrivez-vous à notre lettre d’information hebdomadaire pour recevoir les dernières actualités, agendas de congrès, et restez informé des avancées et innovations dans le domaine.