L'intelligence artificielle bouleverse le monde de l'imagerie médicale. Les algorithmes et les modèles, déjà très présents dans la construction même des images médicales, sont aujourd'hui suffisamment puissants pour guider l'analyse des images médicales aussi bien, voire mieux, que des experts humains. Ces algorithmes permettent de construire des représentations numériques du patient qui guident le diagnostic, le pronostic et la prise en charge thérapeutique. Le 2 mai 2018 un colloque au Collège de France a rassemblé de nombreux experts sur ce sujet. Leurs interventions sont visibles sur le site du Collège (1). Des exemples récents ont frappé les esprits (2). En dermatologie, un réseau convolutionnel profond, préalablement entraîné sur plus d'un million d'images naturelles, a été ensuite ajusté sur les images de 130 000 lésions dermatologiques, pour apprendre à distinguer automatiquement les lésions cancéreuses des lésions bénignes comme un dermatologue expert. En radiologie, l'entreprise française Therapixel a entrainé un réseau convolutionnel profond sur les 640 000 mammographies d'un challenge mondial, et a remporté la compétition en distinguant les mammographies suspectes des normales mieux que tous ses concurrents. Son logiciel surpasse aujourd'hui les performances des radiologues experts. Enfin, en ophtalmologie, d'autres réseaux convolutionnels profonds, entrainés sur plus de 130 000 images de la rétine, sont capables de détecter les rétinopathies diabétiques aussi bien qu'un ophtalmologue expert. Pour la première fois dans l'histoire, un logiciel (IDx-DR) a été approuvé par la Food and Drug Administration (FDA) pour faire ce diagnostic automatiquement sans que l'image soit vue par un ophtalmologue. Même si ces résultats sont spectaculaires, ils restent pour l'instant confinés à des tâches précises, relativement étroites, sur lesquelles il existe d'immenses bases de données préalablement étiquetées par des experts. Or ces bases de données ne sont pas légion, leur acquisition et surtout leur étiquetage par des experts coûte très cher. Il faut s'assurer de la bonne représentativité des cas rares (qui par définition ne sont pas nombreux !), de l'absence de biais (genre, age, ethnicité, etc.), de la présence de sujets sains en nombre suffisant (ce qui pose un problème éthique lorsque la modalité d'imagerie est irradiante par exemple). Recueillir de telles bases de données et les mettre à la disposition des algorithmes d'apprentissage pose également de sérieux problèmes de confidentialité. Par ailleurs, l'intelligence artificielle ne se limite pas au développement de réseaux convolutionnels profonds, dont les millions de paramètres sont difficiles à interpréter, et dont l'ajustement requiert l'entraînement sur d'immenses bases de données. Il existe toute une variété d'algorithmes de classification qui peuvent être entrainés sur des bases de données de tailles très variables avec de très bons résultats (3). Il est également possible de construire des modèles numériques du patient qui exploitent toutes les connaissances que nous avons en anatomie et en physiologie pour se limiter à un nombre réduit de paramètres biophysiques plus facilement interprétables. Enfin, le modèle du patient numérique permet de synthétiser des images médicales suffisamment réalistes pour entrainer des systèmes d'apprentissage automatique, puis de transférer l'apprentissage à des images réelles. Les méthodes modernes de sciences des données permettent aussi de prendre en compte des données de plus en plus « holistiques » sur le patient, incluant des données d'imagerie (structurelle et fonctionnelle), mais également des données biologiques (génétiques,