Lorsque les systèmes d’intelligence artificielle surpassent les médecins en précision diagnostique, peut-on en conclure que leur collaboration mène inévitablement à de meilleurs résultats ? Une étude menée par une équipe de l’Université de Chicago, publiée dans le cadre de la conférence ACM on Fairness, Accountability, and Transparency, apporte une réponse surprenante. Cette recherche s’est concentrée sur le diagnostic du cancer de la prostate à partir d’imagerie par résonance magnétique (IRM), un domaine particulièrement complexe, même pour des radiologues expérimentés. Le premier auteur de l’étude, la docteure Chen Xiecha, explique à DeepTech que ce choix n’est pas anodin : « Dans de nombreuses études précédentes sur l’IA en santé, les médecins atteignaient déjà des taux de précision supérieurs à 90 %, ce qui limite l’impact potentiel de l’IA. Le diagnostic par IRM du cancer de la prostate, en revanche, reste un défi majeur, avec des taux de réussite souvent inférieurs à 70 %, même chez les experts. » Cette difficulté rend le domaine idéal pour tester l’apport réel de l’IA. Les chercheurs ont entraîné un modèle d’IA basé sur l’architecture nnU-Net, en utilisant un jeu de données public, PI-CAI, comprenant 1 411 cas. Sur un ensemble de test, le modèle a atteint un score AUROC de 0,730 à 0,790 — des performances supérieures à celles des 8 radiologues participants (âgés de 29 à 52 ans, majoritairement expérimentés, venant des États-Unis et d’Europe), dont la moyenne était de 63,2 %. L’étude a simulé deux scénarios cliniques : dans le premier, les médecins effectuaient d’abord un diagnostic indépendant, puis consultaient les recommandations de l’IA avant de finaliser leur jugement. Dans le second, les prédictions de l’IA étaient affichées en amont, avant toute décision humaine. Après 30 jours, les radiologues ont reçu un retour détaillé sur leurs performances, puis ont diagnostiqué 100 nouveaux cas avec l’IA en première position. Les résultats montrent que l’IA apporte un bénéfice réel, mais limité. En phase 1, la précision moyenne des médecins est passée de 63,2 % à 66,2 % grâce à l’IA — une amélioration significative, mais insuffisante pour dépasser la performance de l’IA seule (69,3 %). L’analyse révèle une faille fondamentale : les médecins ne savent pas quand faire confiance à l’IA. Lorsqu’ils étaient en désaccord avec le modèle (environ 22,6 cas par médecin), ils modifiaient leur jugement dans seulement 4,6 cas — soit un taux de changement de 20,4 %. Et dans ces cas de désaccord, leur précision était de 44,4 %, bien en dessous de la moyenne. Dans la phase 2, bien que l’adoption de l’IA par les médecins ait légèrement augmenté (de 75,5 % à 78,4 %), la performance globale n’a pas progressé de manière significative. Cela indique que simplement fournir des données ou des retours n’est pas suffisant pour modifier les habitudes de décision. L’innovation majeure vient ensuite : en combinant les diagnostics des 8 radiologues sous l’effet de l’IA, via une méthode de vote majoritaire, les chercheurs ont obtenu une précision moyenne de 73,3 %. Ce résultat dépasse non seulement les performances humaines (63,2 %) et celles de l’IA seule (69,3 %), mais démontre pour la première fois une complémentarité réelle entre humains et machines. « Cela prouve que, dans ce contexte, humains et IA peuvent vraiment s’entraider », souligne Chen Xiecha. « Le potentiel réside non pas dans l’optimisation de l’individu, mais dans la création d’un système collaboratif. » Pour maximiser cette synergie, les chercheurs recommandent de mieux former les médecins à comprendre les forces et les limites de l’IA — en précisant dans quels types de cas l’IA excelle, et où elle est plus sujette à erreur. Une meilleure transparence, accompagnée de retours précis sur les performances, pourrait permettre de construire une confiance plus équilibrée et plus efficace. Cette étude ouvre une voie prometteuse : l’avenir de l’IA en médecine ne réside pas dans l’idée d’un « super outil » pour un médecin isolé, mais dans la conception de véritables équipes humain-machine, où les forces de chacun sont combinées pour atteindre des résultats supérieurs à ceux de chacun séparément.