La radiologie, par ses caractéristiques inhérentes – utilisation d’équipements complexes et flux de travail largement numérisé – est à l’avant-garde de l’adoption des innovations technologiques. L’intégration de l’intelligence artificielle (IA) n’y fait pas exception : partie d’une perspective purement théorique, elle est désormais une réalité pratique qui transforme l’acquisition, le post-traitement et l’interprétation des images. Cet article propose un état des lieux de l’adoption de ces outils dans les centres hospitalo-universitaires (CHU) français en 2024, mettant en lumière les bénéfices et difficultés perçus.

L’adoption de l’IA est élevée : 80 % des radiologues interrogés déclarent l’utiliser. Le financement des outils d’IA est multiple : il peut provenir de fonds propres hospitaliers, de partenariats industriels, de crédits de recherche ou d’une intégration directe via l’achat d’équipements lourds. L’adoption de l’IA est inégale dans le flux de travail du radiologue : les solutions de reconstruction/post-traitement des images dominent tandis que celles d’interprétation, majoritairement axées sur l’imagerie 2D, se développent progressivement pour l’imagerie en coupes. L’assistance à la rédaction du compte rendu demeure minoritaire. Les retours qualitatifs sont mitigés : une réduction limitée de la charge de travail est notée mais un coût non négligeable et une complexité d’intégration sont régulièrement mentionnés. En revanche, une amélioration notable de la qualité d’image et de la détection de certaines pathologies est relevée par une majorité d’utilisateurs.

Cet état des lieux, mené auprès des services de radiologie des CHU français, montre une utilisation déjà tangible de l’IA, en particulier pour l’amélioration de la qualité d’image et de façon plus modérée pour l’aide à la détection de pathologies. Malgré tout, l’implémentation reste hétérogène, avec des différences notables dans les domaines d’application, les modes de financement et l’impact ressenti sur la charge de travail. Un suivi continu de ces avancées, couplé à des études supplémentaires, contribuera à préciser la portée de ces solutions, d’autant plus dans un contexte d’évolution rapide de l’IA, notamment via les modèles génératifs et de nouvelle génération.

Radiology, due to its inherent characteristics — the use of complex equipment and a largely digitized workflow — often leads the way in adopting technological innovations. The integration of artificial intelligence (AI) has thus shifted from a purely theoretical concept to a practical reality, transforming how images are reconstructed, processed, interpreted, and communicated. In this context, various applications are emerging: scheduling optimization, image quality enhancement, diagnostic assistance, and support for report drafting. This article provides an overview of AI adoption within French university hospitals (CHUs) in 2024, highlighting perceived benefits and challenges.

AI solutions are widely distributed: 80%of the surveyed radiologists already use AI solutions in their clinical practice. The funding models for AI solutions are diverse: funding comes from hospital budgets, industrial partnerships, research grants. The solutions can be directly integrated into large-scale equipment purchases as well. The implementation in the radiologist’ workflow is uneven: the tools for image acquisition and reconstruction dominate while image-interpretation solutions, still largely focused on 2D radiography, are beginning to expand into cross-sectional imaging. Assistance with reporting and patient-friendly summaries remains limited. Radiologists report mixed outcomes: they document a modest workload reduction overall with cost and integration complexity among the primary barriers for adoption. However, a clear increase in image quality and detection of certain pathologies is widely reported.

This overview, conducted among radiology departments of French university hospitals, indicates a tangible use of AI, especially for improving image quality and assisting in the detection of pathologies. Nevertheless, implementation varies, both in terms of application domains, funding mechanisms, and perceived impact on workflow. Ongoing monitoring of these developments, supported by further studies, will help clarify the scope of these solutions, particularly in a rapidly evolving AI landscape marked by generative and next-generation models.