Dossier

Intelligence artificielle en neuro‑imagerie IRM : de la segmentation aux modèles de fondation

Mis en ligne le

27 mars 2026

Auteur

A. Attyé

Les logiciels de segmentation IRM T1 et FLAIR (fluid-attenuated inversion recovery) fondés sur le deep learningsont déjà largement disponibles pour la volumétrie cérébrale, la quantification lésionnelle (notamment dans la sclérose en plaques (SEP)) ou le suivi des ARIA (amyloid-related imaging abnormalities) et peuvent dépasser la lecture visuelle du radiologue expert, ou moins expert, pour des tâches répétitives.
Ces logiciels de segmentation alimentent des logiciels d’aide à la décision clinique plus ambitieux (aide au diagnostic de la maladie d’Alzheimer, prédiction de la progression de la SEP, estimation d’un “âge cérébral”), mais les études démontrant leur impact sur les décisions thérapeutiques ou le pronostic restent encore rares.
Les modèles de fondation liant texte et image ouvrent la voie à des systèmes plus généralistes (préannotation, recherche de cas similaires, aide à la rédaction des comptes rendus), mais restent, en neuro‑imagerie, au stade de recherche.

En quelques années, l’intelligence artificielle (IA) est passée des diaporamas de congrès aux consoles de lecture des radiologues. Une synthèse récente recense 173 produits d’IA marqués “CE” en imagerie médicale, dont environ deux tiers sont étayés par au moins une publication scientifique, mais moins d’un tiers disposent de données de vie réelle sur l’impact clinique (décision thérapeutique, résultats des patients, coût pour la société) [1].…