Intelligence artificielle

Des radiographies générées par IA trompent les médecins et les autres IA

Dans une étude présentée dans Radiology, des chercheurs ont évalué la capacité des radiologues et des modèles d’IA à distinguer des clichés authentiques de radiographies synthétiques créées par IA. Les résultats montrent que même des lecteurs expérimentés peuvent être induits en erreur.

icon réservé aux abonnésArticle réservé aux abonnés
Le 07/05/26 à 7:00 Lecture 2 min.

Les auteurs de l'étude ont constaté que « les radiologues n'ont fait preuve que d'une précision modérée pour distinguer les radiographies authentiques des radiographies deepfake ». D. R.

L'intelligence artificielle est de plus en plus présente en imagerie médicale. Si elle s'avère être une aide précieuse au quotidien, notamment pour affiner un diagnoctic, elle peut aussi désormais générer des radiographies. Et ces dernières sont de plus en plus réalistes. Dans une étude publiée dans Radiology [1], une équipe de chercheurs a évalué la capacité des radiologues à différencier des radiographies authentiques de clichés synthétiques produits par IA.

Une centaine d'images à analyser

Pour mener leur étude qui s'est déroulée entre avril et août 2025, les chercheurs ont inclus 17 radiologues, dont 6 radiologues français, exerçant dans six pays et présentant différents niveaux d'expérience, de 1 à 40 ans. Lors de la première phase, les radiologues ignorant l'objectif de l'étude, ont évalué la qualité d'image et établi un diagnostic pour 154 radiographies. 77 images étaient authentiques et 77 ont été générées à l'aide de ChatGPT (GPT-4o et OpenAI). Lors de la deuxième phase, après a

Il vous reste 73% de l’article à lire

Tech Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Tech Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

Offre découverte

1€

pendant 1 mois
puis 13 €/mois

S’abonner à Tech Imago

Auteurs

Marjolaine Margue

Journaliste spécialisée BOM Presse

Voir la fiche de l’auteur

Bibliographie

  1. Tordjman M, Yuce M, Ammar A, et al (2026) The Rise of Deepfake Medical Imaging: Radiologists’ Diagnostic Accuracy in Detecting ChatGPT-generated Radiographs. Radiology 318:e252094. https://doi.org/10.1148/radiol.252094

Mots-clés

intelligence artificielle

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Tech Imago

10 Juil

15:33

La consommation énergétique en IRM est principalement liée à l’utilisation des gradients, conclut une étude présentée dans Academic Radiology. Les séquences ep2D DWI et DTI étant les plus énergivores. Le choix de séquences moins énergivores, dans un contexte clinique approprié, peut réduire la consommation d’énergie par séquence de 20 à 49 %.

7:31

Une méta-analyse de 23 études démontre que la TEP-TDM au [18F]FDG et l’IRM pelvienne présentent des sensibilités comparables pour la détection des métastases ganglionnaires latérales du cancer du rectum. En revanche, la TEP-TDM au [18F]FDG peut aider à exclure les faux positifs, évitant ainsi les dissections latérales des ganglions lymphatiques et la morbidité associée.

7:00

09 Juil

17:00

Des modèles d’apprentissage profond conçus pour identifier les résultats d’imagerie directe et indirecte sur le scanner ont montré des performances diagnostiques comparables ou meilleures que celles des médecins expérimentés pour la détection du cancer du pancréas, selon une étude de Radiology.

11:00

Dans une étude rétrospective suédoise, des chercheurs ont testé trois systèmes de détection assistée par ordinateur (AI-CAO) basés sur l’IA sur des données de mammographie provenant d’une grande population de dépistage. Ceux-ci ont démontré leur potentiel à détecter les signes précoces du cancer du sein jusqu’à 6 ans avant le diagnostic, selon une étude publiée dans Radiology. (Communiqué)

7:45

Le scanner corps entier à ultra-faible dose, associé à un algorithme de reconstruction par intelligence artificielle (SR-DLR), permet de réduire d'environ 70 % l'exposition aux rayonnements tout en conservant une excellente qualité d'image et des performances diagnostiques élevées pour la détection des maladies viscérales et métastatiques des tissus mous chez les patients oncologiques sous surveillance du cancer, indique une étude parue dans European Journal of Radiology.
✕
Tech Imago

GRATUIT
VOIR