Artificial Intelligence in Radiotherapy - From concept to clinic and back again

Artificial Intelligence in Radiotherapy - From concept to clinic and back again

par Professor Raj Jena

Sciences appliquées & ingénierie Médecine & Santé MJCLOncologieMJCL1Radiothérapie
🎙 Professor Raj Jena 👥 2K 📅 3 novembre 2025 ⏱ 67 min 👁 263 📄 conférence 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

intelligence artificielleradiothérapiesegmentation d'imagesOSAIRISSTELLA

Résumé

Le professeur Raj Jena, oncologue à Cambridge, raconte son parcours depuis ses études de médecine jusqu’à devenir un expert en IA appliquée à la radiothérapie. Il commence par ses travaux de recherche en neurosciences sur les réseaux de neurones, puis découvre le deep learning en 2012 grâce à une collaboration avec Microsoft. Il décrit ensuite son expérience de développement d’algorithmes de segmentation d’images médicales, notamment pour les tumeurs cérébrales, et leur intégration dans des logiciels commerciaux. Le projet OSAIRIS, financé par le NHS, a permis de déployer un outil d’IA open-source dans un hôpital, réduisant le temps de planification de radiothérapie de 12 à 13 fois. Il aborde les défis réglementaires, les biais cognitifs comme l’automation bias, et les projets actuels : la recherche avec Microsoft et le projet STELLA pour un appareil de radiothérapie intelligent destiné aux pays à revenus faibles et intermédiaires. La conférence illustre le parcours complet de l’IA, de la recherche fondamentale à l’application clinique, et souligne l’importance de la collaboration entre le monde académique, l’industrie et les soins de santé.

175 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : le professeur Jena partage son expérience de première main, avec des exemples concrets et des données chiffrées (temps de planification réduit de 12 à 13 fois, 5000 cas testés). L’argumentation est solide, structurée autour de son parcours personnel, ce qui rend le contenu engageant et crédible. Il explique clairement les concepts techniques (deep learning, segmentation) et les enjeux pratiques (réglementation, biais). La démonstration est étayée par des références à des projets réels et des collaborations avec Microsoft, renforçant la crédibilité.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : le conférencier cite des travaux de recherche (Hubel et Wiesel, le papier sur la backpropagation) et des projets concrets (OSAIRIS, STELLA). Cependant, il ne fournit pas de références bibliographiques détaillées dans la vidéo, et certaines affirmations (comme la ‘meilleure évaluation clinique’) manquent de preuves. Le titre est en adéquation avec le contenu, qui couvre bien le parcours de l’IA de la recherche à la clinique et retour. La qualité des sources est donc correcte mais pourrait être améliorée par des citations plus précises.

191 mots

Adéquation titre / contenu

Le titre reflète parfaitement le contenu : le parcours de l'IA en radiothérapie, de la recherche au déploiement clinique, puis retour à la recherche.

Qualité & fiabilité

8/10

Conférence d'un professeur clinicien en oncologie, avec expérience directe de développement et déploiement d'IA en radiothérapie. Les propos sont ancrés dans des projets concrets (OSAIRIS, STELLA) et des collaborations avec Microsoft. La fiabilité est élevée, mais certaines affirmations (ex. 'meilleure évaluation clinique') ne sont pas sourcées dans la vidéo.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Sources concordantes

  • NICE MedTech Innovation Briefing — Le conférencier mentionne que NICE a publié un briefing sur les outils d'auto-segmentation, incluant OSAIRIS.

Apport & nouveautés

Cette conférence apporte un éclairage unique sur le parcours complet de l’IA en radiothérapie, de la recherche fondamentale au déploiement clinique, en passant par les défis réglementaires et les biais cognitifs. L’expérience personnelle du professeur Jena, notamment avec le projet OSAIRIS, illustre concrètement comment une IA peut être intégrée dans un hôpital et améliorer les soins. La discussion sur les biais (automation bias, anchoring bias) est particulièrement pertinente pour la pratique clinique.

Pour aller plus loin :

  • Deep learning in radiotherapy — Revue sur l’utilisation du deep learning en radiothérapie.
  • OSAIRIS project — Article sur le projet OSAIRIS.
  • STELLA project — Site du projet STELLA (si l’URL est exacte, sinon à vérifier).
  • Automation bias in healthcare — Article sur le biais d’automatisation.

122 mots

Profil radar

Le profil radar montre une bonne performance sur tous les axes, avec une légère prédominance de la quantité d'information et de la fiabilité. La qualité de l'information est également élevée, mais le niveau technique est un peu plus faible, ce qui reflète une présentation accessible à un public non spécialiste.

Fiabilité 8/10

💬 Sur les 0 commentaires analysés, aucune tendance n'a pu être dégagée.