L’intelligence artificielle pour la lecture des mammographies : une aide, pas une menace

Ce jour, la mammographie réalisée (figure 1) montre des seins denses avec un aspect post‐thérapeutique à gauche. Le logiciel d’intelligence artificielle (IA) en place affiche un score élevé et marque une masse spiculée externe sur la face droite (figure 2). Un complément mammographique par cliché localisé est réalisé à ce niveau (figure 3) et met en évidence de façon plus nette la masse suspecte. L’échographie mammaire bilatérale, avec attention portée en regard des quadrants externes droits (figure 4) retrouve une masse du QSE, hypoéchogène, de grand axe vertical, avec halo hyperéchogène. La microbiopsie sous échographie réalisée ultérieurement confirmera la présence d’un carcinome infiltrant de type non spécifique, hormonosensible, de grade 2. Figure 1. Mammographie bilatérale face et oblique. Figure 2. Mammographie de face droite avec affichage du marquage d’intelligence artificielle (IA) et score de risque élevé. Figure 3. Mammographie de face droite localisé. La masse spiculée est plus visible. Figure 4. Échographie ciblée en regard du QSE droit avec Doppler couleur.   L’introduction de l’IA dans le domaine de la radiologie, en particulier pour la lecture des mammographies, a suscité de nombreux débats. Certains craignent qu’elle remplace les radiologues tandis que d’autres voient en elle une menace pour l’autonomie professionnelle (le radiologue ne saurait plus travailler sans). Cependant, il est essentiel de noter que ces systèmes ne fonctionnent pas de manière autonome. L’IA fournit une analyse préliminaire et aide à identifier les zones d’intérêt, mais la décision finale revient toujours au radiologue. L’IA sert de « seconde paire d’yeux », capable de repérer des anomalies que le radiologue pourrait manquer, en particulier dans des situations où la fatigue ou la complexité des cas augmentent le risque d’erreur. Cela renforce la précision de détection sans remplacer le jugement clinique du radiologue, qui reste central dans le processus de diagnostic. L’IA peut identifier des anomalies ou fournir des prédictions, mais elle ne connaît pas certaines nuances cliniques ou les antécédents médicaux du patient, qui sont essentiels pour un diagnostic précis. Par exemple, une masse qui serait stable depuis des années, même si elle est marquée par l’IA, n’est pas suspecte. L’interprétation des données et leur intégration dans le contexte clinique nécessitent donc toujours l’expertise d’un radiologue.