Bien que l’IRM se soit imposée dans le diagnostic précoce du cancer de prostate, ses performances restent limitées par sa faible spécificité et sa variabilité interlecteur substantielle. Les progrès récents des techniques d’Intelligence Artificielle en imagerie médicale font espérer que l’analyse automatique des IRM de prostate puisse améliorer la fiabilité et la robustesse de la détection des foyers tumoraux. Cependant, malgré une recherche très active, peu d’algorithmes ont pour l’instant montré des résultats robustes sur des cohortes externes, que ce soit en solution indépendante ou en tant que « second lecteur ». Les principaux défis à résoudre avant le développement clinique de ces algorithmes sont la relative petite taille des bases d’apprentissages et la variabilité des paramètres image en fonction des protocoles d’acquisition, des machines et des constructeurs.

Although MRI is widely used for prostate cancer early diagnosis, its performance remains limited by its low specificity and substantial inter-reader variability. Recent advances in Artificial Intelligence techniques in medical imaging give hope that automatic analysis of prostate MRI can improve the reliability and robustness of tumor foci detection. However, despite intensive research, few algorithms have so far shown robust results in external cohorts, either as standalone solutions or as second opinion readers. The main challenges to be solved before the clinical development of these algorithms are the relatively small size of the learning databases and the lack of robustness of image parameters across acquisition protocols, scanners and manufacturers.