Dr BOUMEHDI Bounhir 
 Médecin radiologue 
 Directeur du Centre de Radiologie l’Opéra-Salé 

Vous allez bientôt soutenir votre doctorat en médecine et vous êtes attiré par la radiologie.

Mais une question vous taraude : faut-il encore choisir cette spécialité alors que l’intelligence artificielle commence à détecter des anomalies, trier les urgences et contribuer à rédiger des comptes rendus ?

En 2026, la réponse n’est ni « oui » ni « non ». 

La radiologie change profondément. 
Mais les données actuelles ne permettent pas de conclure à la disparition du radiologue.

Elles annoncent plutôt une transformation de son métier.

 Le spectre de Geoffrey Hinton 

Pour comprendre les inquiétudes, il faut citer Geoffrey Hinton, prix Nobel de physique 2024 et pionnier du deep learning.

Dès 2016, Hinton estimait que l’IA pourrait rapidement devenir supérieure aux radiologues dans l’interprétation des images. 

Cette prédiction a profondément marqué la profession.

Près de dix ans plus tard, le paysage est plus nuancé. 
L’American College of Radiology ( ACR) souligne en 2026 que la demande en imagerie reste forte et que l’IA doit notamment contribuer à absorber cette charge croissante. 

L’IA peut donc réduire certaines tâches humaines sans nécessairement réduire proportionnellement le besoin de radiologues.

 L’IA va-t-elle malgré tout réduire le nombre de radiologues ? 

Dans certaines activités, probablement.

Détection de nodules, hémorragies, lésions, mesures, segmentation, comparaison d’examens ou tri des urgences : de nombreuses tâches répétitives sont particulièrement accessibles à l’automatisation.

L’exemple de la mammographie est révélateur. 
Dans l’essai suédois MASAI, publié dans The Lancet Digital Health, l’utilisation de l’IA a été associée à une augmentation de la détection des cancers et à une réduction importante de la charge de lecture. 

Mais cela ne signifie pas que « l’IA remplace le radiologue ».

Cela signifie qu’un radiologue utilisant l’IA peut accomplir certaines tâches avec moins de temps humain.

La nuance est essentielle.

 Curtis Langlotz : « humain + machine » 

Parmi les voix les plus importantes figure Curtis Langlotz, professeur à Stanford et spécialiste de l’IA appliquée à la radiologie.

Son approche repose moins sur la compétition que sur la complémentarité.

 La machine peut détecter, mesurer, comparer et trier . 

 Le médecin doit interpréter, contextualiser et décider .

Cette vision rejoint désormais celle de l’ACR, qui travaille à encadrer l’utilisation clinique de l’IA et à surveiller ses performances. 

 Le radiologue devient-il le « contrôleur » de l’IA ? 

Pas seulement.
Imaginez votre futur exercice : l’IA aura peut-être déjà détecté une anomalie, mesuré une lésion, comparé les examens précédents et proposé un projet de compte rendu.

Votre travail sera alors moins celui d’un simple « lecteur d’images » que celui d’un médecin capable de juger les informations fournies par la machine.

L’anomalie est-elle réelle ? 
Est-elle importante ? L’algorithme s’est-il trompé ? 
Quel diagnostic faut-il privilégier ? 
Quelle conduite tenir ?
Et surtout : que signifie cette image pour ce patient précis ?

C’est là que le jugement clinique et la responsabilité médicale restent essentiels.

 Le vrai danger n’est peut-être pas l’IA 

Le véritable risque pourrait être le radiologue qui refuse d’apprendre à travailler avec elle.

La radiologie a toujours été une spécialité technologique : rayons X, échographie, scanner, IRM, PET-scan, PACS et reconstruction numérique.

À chaque révolution, la même question est revenue : la technologie va-t-elle rendre le radiologue inutile ?

 Jusqu’ici, elle a surtout transformé son métier .

En mai 2026, l’ACR a adopté son premier référentiel spécifique à l’utilisation de l’IA en imagerie, portant notamment sur la sélection des outils, l’évaluation de leurs performances et leur surveillance. 

La question n’est donc plus de savoir si l’IA entrera dans la radiologie.
Elle y est déjà.
Le radiologue de demain sera-t-il davantage médecin ?
C’est peut-être le paradoxe de cette révolution.

Plus l’IA devient performante dans l’analyse de l’image, plus le radiologue doit comprendre le malade derrière l’image.

Il devra dialoguer avec l’oncologue, le chirurgien, le neurologue, le pneumologue ou l’urgentiste, participer aux réunions multidisciplinaires et intégrer les données cliniques, biologiques et radiologiques.

La radiologie pourrait ainsi devenir plus technologique et plus humaine à la fois.

 Une nouvelle compétence : savoir interroger la machine 

Votre génération pourrait apprendre simultanément l’anatomie, la sémiologie, la physique de l’imagerie, la médecine clinique, les statistiques et l’intelligence artificielle.

Il faudra comprendre les performances d’un algorithme, ses biais et ses limites.

Les nouvelles IA multimodales explorent déjà la combinaison des images avec les données cliniques et textuelles.

Le radiologue devra donc apprendre non seulement à utiliser l’IA, mais à la surveiller et à la gouverner.

 Et si l’IA créait davantage de travail ? 

Une IA très sensible peut détecter davantage d’anomalies. 
Mais tout ce qu’elle détecte n’est pas nécessairement cliniquement important.

Il faudra gérer les faux positifs, les découvertes fortuites, le surdiagnostic et les erreurs algorithmiques.

Une publication de 2026 consacrée aux futurs possibles du radiologue souligne d’ailleurs que, malgré des scénarios différents pour 2035, la gouvernance de l’IA apparaît comme une fonction centrale du radiologue.
 
 Le nombre de radiologues diminuera-t-il vraiment ? 

Personne ne peut aujourd’hui donner un chiffre sérieux pour 2035 ou 2040.

L’IA réduira probablement le temps consacré à certaines lectures standardisées.

Mais d’autres facteurs augmentent la demande : vieillissement de la population, maladies chroniques, oncologie, médecine d’urgence et développement mondial de l’imagerie.

L’équation sera donc complexe :
moins de temps humain pour certaines tâches ≠ nécessairement moins de radiologues.

Le métier pourrait surtout se déplacer vers les situations complexes, l’intégration des données, la consultation clinique et la responsabilité médicale.

 Votre avantage : vous avez 30 ou 40 ans devant vous 

Vous ne choisissez pas aujourd’hui la radiologie telle qu’elle existe en 2026.

Vous choisissez la radiologie que vous contribuerez à construire pendant les prochaines décennies.

Vous serez des radiologues « augmentés » par l’IA, les comptes rendus partiellement automatisés, l’imagerie prédictive et une intégration croissante entre images et données cliniques.

Votre génération pourrait donc être celle qui définira la manière dont la radiologie utilisera l’IA.

 Le dernier argument : devenir radiologue, mais pas un radiologue du XXe siècle 

Si vous choisissez la radiologie, l’IA ne devrait pas être une matière secondaire.
Apprenez la radiologie, mais aussi les statistiques, le machine learning, l’informatique médicale, l’évaluation des algorithmes, l’éthique et la responsabilité médico-légale.

Et développez ce que la machine maîtrise moins bien : le raisonnement clinique, la communication, la contextualisation, la gestion de l’incertitude et la responsabilité médicale.

 Alors, faut-il réaliser votre rêve ? 

La question pourrait être reformulée :
Voulez-vous devenir radiologue malgré l’IA ?
Ou plutôt :
Voulez-vous devenir radiologue à l’époque où l’IA transforme la radiologie ?

En 2026, les données disponibles montrent une spécialité en pleine mutation, mais pas une spécialité condamnée.

L’IA accomplit déjà certaines tâches avec une remarquable efficacité, tandis que la demande en imagerie reste forte. 

Pour un jeune médecin passionné par la médecine, l’image, la technologie et l’innovation, l’enjeu n’est peut-être plus de savoir si l’IA menace la radiologie, mais quel radiologue vous souhaitez devenir dans un monde où l’IA fera partie de votre quotidien.

Vous ne serez peut-être pas celui qui lira le plus d’images.

Vous pourriez être celui qui saura le mieux comprendre l’image, comprendre l’IA et surtout comprendre le patient derrière l’image.