En 2016, Geoffrey Hinton, l'un des parents de l'intelligence artificielle moderne et lauréate du prix Turing, a lancé un avertissement lapidaire: « Les gens devraient cesser de se former des radiologues. » La logique dans ce cas ne semblait pas avoir de doutes: la radiologie est basée sur la recherche de modèles dans les images, puis l'IA pourrait les détecter rapidement et de manière très précise. Mais je ne pouvais pas me tromper.
Le présent. Si nous regardons le marché du travail actuel dix ans plus tard, la réalité est obstinément différente. La demande de radiologues humains n'arrête pas d'augmenter et dans certains pays, s'accompagne également d'une augmentation considérable de leurs salaires pour effectuer des lieux de travail beaucoup plus attrayants.
De cette façon, loin d'être le canari dans la mine de chômage technologique, la radiologie est devenue une étude de cas fascinante sur la raison pour laquelle l'IA ne remplace pas les travailleurs de manière complète, mais peut transformer cette position.
L'IA est une réalité. Il est indéniable que l'IA n'a pas atterri dans le domaine de la radiologie avec une grande force. Des modèles comme Chexnet, publiés en 2017, ont déjà démontré une grande précision lors de l'analyse des images radiologiques. Depuis lors, il existe de nombreux outils qui sont venus.
Au fur et à mesure que la propriété FDA collectée, aux États-Unis, le nombre de dispositifs médicaux approuvés a augmenté de façon exponentielle. Et la radiologie est le protagoniste en médecine, car en 2024, 78% de tous ces appareils étaient destinés à la spécialité en radiologie. Et en ce moment, il existe plus de 700 modèles d'IA pour la radiologie approuvés par la FDA, qui couvrent de la détection d'AVC au cancer du poumon, la prédiction d'Hinton semblait victime de réalisation. Cependant, les données du marché du travail n'ont pas fini par donner la raison.
Nombre de places. En 2025, des programmes axés sur la radiologie diagnostique aux États-Unis ont offert un record de 1 208 places, et presque tous, indiquant une forte demande. La même chose se produit en Espagne, où la spécialité du «diagnostic» pour MIR 2026 a 315 places disponibles, ce qui implique déjà une augmentation par rapport à l'appel précédent avec 305 sièges et en 2023 287 sièges.
Cela nous fait nous demander quelque chose de très simple: pourquoi une spécialité a-t-elle été condamnée à «mourir» à cause de l'IA a-t-elle besoin de plus en plus de personnel? La réponse est que nous ne savons pas exactement ce qu'un radiologue fait aujourd'hui.
Beaucoup plus que de regarder les radiographies. Un radiologue peut être conçu dans la société en tant que médecin qui se consacre à être devant un écran d'ordinateur qui regarde les images tout le temps et les radiographies qui donnent simplement un bouton sur la machine. Mais ce n'est pas du tout la réalité.
Bien qu'il y ait un bon travail axé sur l'information sur les images obtenues dans la TDM, la résonance ou d'autres tests d'image, la vérité est que ces dernières années, ils gagnent beaucoup de présence dans l'intervention. Grâce à la radiologie interventionniste, ces spécialistes effectuent des procédures mini-invasives pour empocher les tumeurs, traitent les obstructions dans une artère ou une veine ou des systèmes obstrués comme un rein. Même dans les situations d'urgence, ils peuvent également être essentiels pour empocher un vaisseau sanguin qui saigne.
Et le meilleur de tous est que cela se fait avec une simple incision très petite, où ils entrent dans un cathéter et toujours guidés par échographie ou tomodensitométrie. Le fait d'être peu invasif signifie que les possibilités de complications sont réduites, ainsi que la récupération beaucoup plus rapide.
Et c'est que faire de la chirurgie ouverte typique où une grande incision est pratiquée dans la peau et que toutes les viscères exposés aux conditions d'hypothermie de la salle d'opération ne sont pas les meilleurs pour la réponse inflammatoire générée. Et ici, les radiologues ont beaucoup à dire.
De toute évidence, d'autres tâches telles que l'enseignement aux résidents ou aux facultés médicales, ainsi que des consultations avec d'autres services ou la supervision de nouvelles études scientifiques.
De la référence à la consultation. Bien que le modèle a priori de l'IA puisse surmonter un humain dans un test de performance standardisé, son efficacité s'effondre dans les conditions chaotiques d'un véritable hôpital ou lorsque l'image change légèrement pour ceux qu'elle a étudiés auparavant. Cela se produit parce que les modèles sont formés avec des données massives mais très filtrées. Dans ce cas, les images sont mythiques et les diagnostics sont sans équivoque. Mais dans le monde réel, le patient a peut-être un peu ému, pour avoir des artefacts qui confondent, comme un clip chirurgical confondu avec une hémorragie.
Un exemple historique illustre cet échec. Dans les années 90, les systèmes de « diagnostic assisté par ordinateur » pour les mammographies ont été approuvés avec une grande fanfare. Les premières études ont montré que les médecins aidaient à détecter davantage de cancers. Cependant, des études cliniques à grande échelle ont démontré plus tard que, bien que les médecins qui ont utilisé la CAD aient effectué 20% de biopsies en plus, ils n'ont trouvé plus de cas de cancer. Le système a généré de faux positifs, conduisant à des procédures inutiles et évidemment qui ont généré un grand stress chez les patients.
Assurance. Dans des pays comme les États-Unis, nous pouvons voir comment les médecins essaient de couvrir très bien leur dos parce que la vérité est que, historiquement, il a été considéré comme des patients dénoncent rapidement et peut obtenir une compensation millionnaire. Dans ce cas, les assureurs craignent toujours qu'une seule erreur dans l'algorithme d'IA puisse affecter des milliers de patients en même temps et cela générera une vague de compensation catastrophique.
Par conséquent, de nombreuses politiques incluent « l'exclusion absolue des clauses de l'IA », qui spécifient que la couverture s'applique uniquement aux diagnostics examinés et signés par un médecin agréé. Sans assurance, aucun hôpital ne risque de laisser un algorithme prendre la décision finale.
JEVONS PARADOX. Enfin, l'histoire nous apprend à réduire ou à accélérer une tâche conduit souvent à en faire plus, un phénomène connu sous le nom de paradoxe de Jevons. Dans les années 2000, la numérisation de la radiologie (passant des plaques physiques aux systèmes numériques) a augmenté la productivité des radiologues jusqu'à 98% pour certains types de tests de diagnostic.
Face à ce fait, tout pourrait penser que les radiologues ont commencé à dire au revoir, mais la réalité est que l'inverse s'est produit, car les médecins ont vu que les tests d'image ont commencé à arriver avant, car ils l'ont demandé plus.
La même chose pourrait se produire avec l'IA. Si les algorithmes permettent aux radiologues d'interpréter un CT au milieu du temps, le résultat probable ne sera pas qu'ils fonctionnent en partie, mais que la demande de TAC augmente pour profiter de cette nouvelle efficacité. Bien que dans ce cas, le fait du temps que le patient passe dans la machine intervient également.
Extrapolable dans ce cas de l'IA sur le marché du travail, la vérité que nous pouvons obtenir une connaissance très claire pour d'autres marchés où nous voyons cette menace sur une base de jour à jour, comme dans le monde des programmeurs. Allez-vous provoquer des licenciements si l'IA est intégrée? Cet exemple nous indique qu'il n'a pas à atteindre cet extrême car la demande de besoins augmentera car si une entreprise développe une application peut en emporter deux.
Via | Travail en cours
Images | Institut national du cancer
