Episode 61: Radiology: AI RSNA2025 Fireside Chat LIVE

Episode 61: Radiology: AI RSNA2025 Fireside Chat LIVE

par Radiology: Artificial Intelligence Podcast

Sciences appliquées & ingénierie Médecine & Santé MBMédecineMBFInformatique médicale et de santé
🎙 Radiology: Artificial Intelligence Podcast 👥 446 📅 13 février 2026 ⏱ 61 min 👁 64 📄 débat 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

IA en radiologiemodèles de fondationrapports automatisésefficacité cliniqueinteraction homme-IA

Résumé

Cet épisode du podcast Radiology: AI est un enregistrement en direct d’une table ronde tenue au RSNA 2025. Les animateurs, Paul Yi et Ali Tejani, accueillent des experts de premier plan : Charles Kahn (éditeur de Radiology: AI), Nina Kottler (Chief Medical AI Officer chez Mosaic Clinical Technologies), Woojin Kim (Chief Strategy Officer chez Hopper et CMO de l’ACR Data Science Institute) et Linda Moy (Vice Chair of AI au département de radiologie de NYU). La discussion commence par une démonstration ludique de génération d’images par IA, illustrant les progrès et les limites des modèles génératifs. Ensuite, les panélistes abordent l’état de l’art des modèles de fondation et de l’IA agentique en radiologie. Ils affirment que le déploiement clinique est déjà une réalité, notamment pour la génération automatique de rapports, avec des gains d’efficacité documentés (par exemple, 15,5% dans une étude de Northwestern, 28% en moyenne dans la pratique de Nina Kottler). Ils discutent des défis de l’interaction homme-IA, de la nécessité de maintenir la qualité et d’éviter la complaisance des radiologues. Ils évoquent également les approbations FDA récentes pour des modèles de fondation et les tendances futures, comme l’IA agentique. La conversation souligne l’importance de l’évaluation rigoureuse et de la vigilance dans l’adoption de ces technologies.

207 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée car elle provient d’experts directement impliqués dans le déploiement de l’IA en radiologie. Ils fournissent des exemples concrets de mise en œuvre clinique, des chiffres d’efficacité (15,5% à 76% de gains) et des références à des études (JAMA Network Open). L’argumentation est solide, appuyée par l’expérience pratique des panélistes. Ils abordent de manière nuancée les avantages (réduction de la charge mentale, amélioration de la détection) et les risques (complaisance, biais). Cependant, certains chiffres sont avancés sans source précise, et le format de discussion informelle limite la profondeur de l’analyse.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte pour un débat d’experts : les panélistes citent des travaux publiés (MedVersa, Merlin, MedGemma) et des études récentes, mais sans fournir de références complètes. La qualité des sources est bonne, mais non vérifiable directement dans la vidéo. L’adéquation titre/contenu est parfaite : le titre reflète exactement le contenu (fireside chat au RSNA 2025). Aucun commentaire n’a été fourni, donc aucune analyse des tendances du public n’est possible.

182 mots

Adéquation titre / contenu

Le titre correspond au contenu : il s'agit bien d'un enregistrement en direct d'une discussion informelle lors du RSNA 2025, animée par les co-animateurs du podcast Radiology: AI.

Qualité & fiabilité

7/10

Discussion d'experts reconnus en radiologie et IA, avec des exemples concrets de déploiement clinique et des références à des études publiées. Cependant, il s'agit d'un débat informel sans démonstration formelle ni vérification indépendante des chiffres avancés.

Moments clés

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

Sources citées

  • Radiology: Artificial Intelligence (journal) — Journal édité par Charles Kahn, mentionné comme source d'information sur l'IA en radiologie.
  • Étude sur les modèles de langage visuel (VLM) pour la génération de rapports — Référence à une étude de Northwestern publiée dans JAMA Network Open, mentionnée par Woojin Kim.
  • MedVersa (Harvard) — Modèle de fondation médicale mentionné comme exemple de recherche avancée.
  • Merlin (Stanford) — Modèle de fondation médicale mentionné comme exemple de recherche avancée.
  • MedGemma (Google) — Modèle de fondation médicale mentionné comme exemple de recherche avancée.

Sources concordantes

  • Radiology: Artificial Intelligence (journal) — Le journal publie des recherches sur l'IA en radiologie, en accord avec les sujets abordés.

Apport & nouveautés

L’apport original de cette vidéo réside dans la discussion informelle entre experts de premier plan sur l’état réel du déploiement clinique de l’IA générative en radiologie. Elle offre un aperçu privilégié des expériences pratiques, des défis d’interaction homme-IA et des tendances émergentes comme l’IA agentique. La vidéo met en lumière des données concrètes d’efficacité et des exemples d’utilisation en conditions réelles, ce qui est rare dans les présentations académiques.

Pour aller plus loin :

  • Radiology: Artificial Intelligence — Journal de référence sur l’IA en radiologie, édité par Charles Kahn.
  • JAMA Network Open — Source de l’étude de Northwestern sur les VLM pour la génération de rapports.
  • Agentic AI — Concept émergent d’IA autonome, discuté comme tendance future.
  • Foundation models in healthcare — Contexte sur les modèles de fondation et leurs applications.

131 mots

Profil radar

Le profil radar montre une bonne quantité d'informations et une fiabilité globale correcte, mais une qualité d'information et un niveau technique légèrement inférieurs, reflétant le format de discussion informelle et l'absence de démonstrations approfondies.

Fiabilité 7/10