Le modèle d’IRM IA atteint 97,5% de précision diagnostique

Une équipe de scientifiques de l’Université du Michigan a dévoilé un système d’IA capable de diagnostiquer automatiquement les patients à partir d’IRM. Cette avancée pourrait révolutionner le secteur, offrant plus de rapidité et d’accessibilité aux patients du monde entier. Voici ce que vous devez savoir.

Comment la technologie IRM fonctionne dans l’imagerie cérébrale

L’imagerie par résonance magnétique repose sur des champs magnétiques et des ondes radio pour créer des images 2D/3D détaillées des organes et d’autres parties vitales du corps. La technologie IRM est née de travaux antérieurs sur la résonance magnétique (RMN) réalisés pendant la Seconde Guerre mondiale.

En 1952, Felix Bloch et Edward Purcell ont approfondi le concept, remportant le prix Nobel la même année. Cependant, ce n’est qu’avec l’ajout de gradients spatiaux par Paul Lauterbur que la technologie a pu créer des images 2D des organes et des tissus. Notamment, les impulsions radiofréquences utilisées dans les IRM ne produisent pas de rayonnement ionisant, ce qui les rend idéales comparées aux scanners CT.

Aujourd’hui, les IRM sont courantes. Selon les rapports, 150 à 200 millions d’examens sont réalisés chaque année. De plus, les études montrent que l’utilisation des IRM augmente, la plupart des régions enregistrant une hausse de 3 à 6 % de ces procédures. Ainsi, il n’est pas surprenant d’apprendre que les IRM sont désormais un composant essentiel du système médical.

Pourquoi l’interprétation des IRM cérébrales est difficile

À mesure que la dépendance aux IRM augmente, certains inconvénients de cette technologie apparaissent. D’une part, l’interprétation de ces images nécessite du temps et de la précision. Cette exigence s’est accrue face aux pénuries croissantes de personnel dans le secteur médical.

Le résultat est que, à mesure que l’utilisation des IRM augmente, elle exerce une pression sur le système médical déjà tendu. Les études montrent que la tension diffère selon qu’il s’agit d’un grand hôpital confronté à un afflux de patients ou d’un petit établissement sans accès à des professionnels capables d’interpréter les images IRM. Cependant, le résultat est le même : les patients subissent des risques accrus.

Risques cliniques d’une interprétation tardive des IRM

Le problème est que de nombreuses maladies neurologiques que les IRM permettent de détecter nécessitent une attention immédiate. Cette exigence implique un équilibre entre un diagnostic rapide et de meilleurs résultats, ce qui entraîne souvent des délais manqués.

Par exemple, les hémorragies cérébrales et les accidents vasculaires cérébraux sont des exemples typiques de pathologies que les IRM peuvent détecter et qui nécessitent une prise en charge médicale immédiate. Cependant, ces affections sont notoirement difficiles à repérer, nécessitant une lecture professionnelle pour accomplir la tâche.

Régions du cerveau

L’imagerie neurologique est un outil précieux pour évaluer les patients atteints de maladies neurologiques. En conséquence, la demande mondiale d’IRM a augmenté régulièrement, exerçant une pression importante sur les systèmes de santé, allongeant les délais de traitement et intensifiant l’épuisement des médecins.

L’Université du Michigan développe un modèle d’IRM IA

L’étude « Learning neuroimaging models from health system‑scale data¹ » publiée dans Nature Biomedical Engineering présente un algorithme d’IA spécialement conçu capable d’interpréter les images IRM en quelques secondes. Ainsi, il a le potentiel de révolutionner les soins de santé à l’avenir.

Prima : un modèle d’IA vision‑langage pour le diagnostic par IRM

L’algorithme d’imagerie IRM Prima AI a été décrit par ses créateurs comme le « ChatGPT pour l’imagerie médicale ». Le système d’IA rationalise et automatise de nombreux aspects complexes de l’interprétation des images médicales.

Prima se différencie des autres scanners IRM IA en étant un modèle vision‑langage (VLM), ce qui signifie qu’il traite simultanément texte, images et vidéos. Cette utilisation d’une architecture vision hiérarchique permet au système d’offrir une précision et des performances inégalées.

Comment Prima fonctionne comme copilote diagnostique

En parlant de l’algorithme, les développeurs ont déclaré vouloir créer un copilote fiable pour l’interprétation des études d’imagerie médicale. À cet égard, ils ont réussi, car l’approche unique de Prima lui permet de fonctionner sur un large éventail de diagnostics.

Cette approche contraste fortement avec ses prédécesseurs, qui se concentraient principalement sur un sous‑secteur spécifique de l’imagerie IRM. Puisque Prima a été entraînée sur un jeu de données beaucoup plus vaste, elle peut examiner les données IRM comme un vrai médecin. Ainsi, Prima promet d’améliorer tout, du diagnostic aux flux de travail.

Entraînement du modèle sur plus de 200 000 études d’IRM

Pour entraîner Prima, les scientifiques savaient qu’ils auraient besoin d’accéder à une vaste réserve de données. Heureusement, l’Université du Michigan Health a fourni un accès direct à plus de 200 000 études d’IRM, incluant plus de 5,6 million de séquences d’images.

Les ingénieurs ont ensuite intégré les résultats de chaque étude, incluant les antécédents des patients et le raisonnement derrière le scan. Ces données ont été croisées, et 50 diagnostics radiologiques différents ont été intégrés, couvrant plusieurs pathologies neurologiques.

Comment l’IA génère des diagnostics différentiels

Prima a été conçue pour fournir un diagnostic rapide. Le système croise sa vaste base de données d’IRM et les données correspondantes afin d’identifier un large éventail de pathologies neurologiques. De plus, il prend en compte les antécédents médicaux spécifiques de chaque patient, lui permettant de créer un dossier complet pour chaque patient, accompagné d’un diagnostic.

Système de triage d’urgence piloté par IA

Impressionnant, Prima peut déterminer si le diagnostic nécessite des soins médicaux immédiats. Lorsqu’un besoin de soins urgents est détecté, le système notifie automatiquement les professionnels de santé, garantissant qu’aucun délai ne sépare le diagnostic des soins. Cette fonctionnalité aide à sauver des vies dans les cas où une action immédiate est requise.

Flux de notification automatisé des spécialistes

L’un des aspects les plus intéressants de Prima est qu’il notifie automatiquement le bon sous‑spécialiste après son diagnostic. Par exemple, si le scan indique un risque d’AVC, le système sait contacter le neurochirurgien et demander des soins d’urgence.

Tests cliniques et validation du modèle IA

Les tests du système Prima ont commencé il y a un an. Les scientifiques ont passé ce temps à réaliser des milliers de diagnostics sur des patients, puis à les comparer au diagnostic du médecin. Au total, 29 431 études d’IRM ont été réalisées.

Le modèle d’IRM IA atteint 97,5 % de performance diagnostique

Swipe to scroll →

La précision de Prima a prouvé que les ingénieurs avaient raison. Le modèle a obtenu 97,5 %, bien au-delà des résultats de tout concurrent IA. De plus, l’équipe a noté que le système pouvait réaliser son diagnostic en quelques secondes, alors que les médecins auraient mis des jours.

Les tests ont également révélé que le système améliorait considérablement le temps de réponse des soins. Les données des scans et du diagnostic étaient immédiatement disponibles pour les spécialistes, et ceux qui en avaient besoin recevaient automatiquement les informations nécessitant une attention prioritaire, ce qui faisait gagner un temps précieux aux patients.

Principaux avantages de l’interprétation IRM propulsée par IA

Cette technologie offre une longue liste d’avantages. Tout d’abord, elle réduit le temps nécessaire à la réalisation et à l’interprétation des IRM. Cette performance améliorée permet aux patients de recevoir des soins plus rapidement, même si le secteur médical fait face à d’importantes pénuries de personnel.

Prouve que l’assistance IA est idéale

Un autre avantage de la technologie est qu’elle démontre comment les systèmes d’IA peuvent améliorer de nombreuses procédures médicales actuelles. Ce système réduit la charge des professionnels de santé tout en améliorant les résultats. Ainsi, il constitue un exemple précieux du pouvoir des systèmes d’IA dans le secteur médical.

Diagnostic

Contrairement à certains systèmes d’IA qui ne fournissent aucune explication sur la façon dont ils sont arrivés à une conclusion, le modèle Prima IA propose des diagnostics différentiels explicables. Cette approche permet aux médecins de vérifier le travail afin d’assurer la précision et d’obtenir des secondes opinions.

Applications réelles et perspectives de déploiement

Cette technologie possède de nombreuses applications, la plus évidente étant d’améliorer les pratiques médicales actuelles. Notamment, elle peut être appliquée à d’autres domaines d’imagerie, amenant de nombreux analystes à prévoir son utilisation pour les mammographies, les radiographies thoraciques et les échographies dans les années à venir.

Voie réglementaire et calendrier commercial

Cette technologie pourrait arriver sur le marché dans les cinq prochaines années. Il existe une forte demande pour tout ce qui peut améliorer les résultats des soins tout en réduisant la charge de travail et le stress des professionnels de santé d’aujourd’hui.

Équipe de recherche et soutien institutionnel

L’étude d’interprétation IRM IA a été présentée par des chercheurs de l’Université du Michigan. L’article a été dirigé par le neurochirurgien et professeur assistant de neurochirurgie à l’École de médecine U‑M, Todd Hollon, ainsi que par le data scientist du Machine Learning in Neurosurgery Lab, Samir Harake.

L’étude cite Vikas Gulani, M.D. Ph.D., : Asadur Chowdury, M.S., Soumyanil Banerjee, M.S., Rachel Gologorsky, Shixuan Liu, Anna‑Katharina Meissner, M.D., Akshay Rao, Chenhui Zhao, Akhil Kondepudi, Cheng Jiang, Xinhai Hou, Rushikesh S. Joshi, M.D., Volker Neuschmelting, M.D., Ashok Srinivasan, M.D., Dawn Kleindorfer, M.D., Brian Athey, Ph.D., Aditya Pandey, M.D., et Honglak Lee, Ph.D. comme contributeurs. Avec le soutien financier du National Institute of Neurological Disorders and Stroke des National Institutes of Health.

Développement futur de l’IA en neuroimagerie

Les ingénieurs reconnaissent qu’ils en sont encore aux débuts de leur travail, mais les résultats sont prometteurs. Leur objectif est désormais de personnaliser le système, permettant à l’IA d’accéder aux dossiers médicaux et de poser des diagnostics basés sur toutes les données disponibles en temps réel.

Investir dans les intégrations IA / santé

L’impact de l’intégration de l’IA dans l’imagerie médicale s’accélère. Contrairement aux fabricants d’appareils diversifiés, une nouvelle génération d’entreprises construit des plateformes de radiologie natives IA, conçues spécifiquement pour améliorer la rapidité du diagnostic, l’efficacité des flux de travail et la prise de décision clinique. Voici une société cotée directement positionnée dans le domaine de l’imagerie propulsée par IA.

RadNet (RDNT)

RadNet (RDNT ) est l’un des plus grands fournisseurs d’imagerie diagnostique ambulatoire aux États-Unis, exploitant des centaines de centres d’imagerie à l’échelle nationale. Fondée en 1981, l’entreprise est devenue une plateforme d’imagerie intégrée verticalement combinant les services de radiologie avec l’intelligence artificielle via sa filiale DeepHealth.

Plutôt que de considérer l’IA comme un ajout, RadNet a intégré l’apprentissage automatique directement dans les flux de travail d’imagerie. Grâce à des acquisitions et au développement interne, l’entreprise a créé des outils d’IA destinés à aider les radiologues à détecter plus tôt et de façon plus cohérente le cancer du sein, les nodules pulmonaires, les anomalies neurologiques et d’autres pathologies.

Un tournant majeur est survenu avec l’expansion de DeepHealth, la division IA de RadNet, qui se concentre sur le déploiement d’algorithmes approuvés par la FDA à travers son réseau d’imagerie. En combinant des données d’imagerie propriétaires avec le développement d’IA, RadNet bénéficie à la fois des revenus de services et des capacités diagnostiques renforcées par le logiciel.

Cette approche intégrée verticalement offre un avantage concurrentiel : les données cliniques réelles alimentent le raffinement des algorithmes, tandis que les outils d’IA améliorent le débit et la précision diagnostique au sein de ses propres centres d’imagerie.

Expansion de la plateforme d’imagerie pilotée par IA

RadNet continue d’élargir son portefeuille IA grâce à des partenariats et des acquisitions, visant un déploiement évolutif d’outils d’aide au diagnostic à travers les sous‑spécialités de radiologie. À mesure que les modèles de remboursement évoluent et que les volumes d’imagerie augmentent, les systèmes de triage et de détection assistés par IA pourraient améliorer sensiblement les marges tout en réduisant la charge de travail des radiologues.

Pour les investisseurs cherchant une exposition à l’imagerie médicale propulsée par IA avec un levier opérationnel direct, RadNet représente une option plus ciblée sur l’automatisation de la radiologie que les conglomérats medtech diversifiés.

Dernières nouvelles et performances de RadNet (RDNT)

Interprétation IA de l’imagerie cérébrale | Conclusion

L’étude d’interprétation IA de l’imagerie cérébrale ouvre la voie à un avenir plus prometteur pour les patients et les professionnels de santé. Ces systèmes aideront à garantir que les patients reçoivent des soins de premier ordre, cohérents et disponibles 24 h/24.

Elle réduit également la charge de travail des professionnels de santé déjà formés aujourd’hui. Ainsi, cette avancée pourrait contribuer à créer un système de santé plus efficace à l’avenir.

Découvrez d’autres développements IA intéressants ici.

Références

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Learning neuroimaging models from health system-scale data. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}