L’imagerie médicale, longtemps considérée comme un simple outil de diagnostic, se transforme en un pilier central de la compréhension des maladies et de l’amélioration des soins. Cette évolution, accélérée par l’essor de l’intelligence artificielle, exige désormais une approche plus stratégique de la gestion et de l’exploitation des données, afin de libérer tout leur potentiel.
Si les investissements dans l’imagerie – scanners, numérisation des clichés, modernisation des services de radiologie – sont anciens, l’ampleur et le rôle actuel de ces technologies dans les établissements de santé sont inédits. La radiologie et la pathologie numérique génèrent désormais des volumes considérables de données, riches en informations longitudinales, biologiques et contextuelles, que l’on ne retrouve pas dans les autres types de données cliniques.
Les systèmes d’archivage et de communication d’images (PACS) ont déjà révolutionné la radiologie en remplaçant les films, en réduisant les délais et en facilitant l’accès aux interprétations spécialisées. La pathologie numérique suit une trajectoire similaire, intégrant lames, scanners et algorithmes dans la pratique clinique courante. Cependant, ces avancées ont révélé des limites.
L’architecture actuelle de nombreux systèmes d’imagerie, conçue pour optimiser l’accès et l’interprétation des images, peine à exploiter pleinement le potentiel de ces données. Les PACS et autres plateformes excellent dans le stockage et le routage des images vers les spécialistes, mais ne permettent pas de les recombiner facilement, de les analyser dans le temps ou de les corréler de manière fiable avec les résultats cliniques. La question posée par la radiologie se limite souvent à « Que montre ce scanner à l’instant T ? », alors que les besoins en matière de soins personnalisés et de médecine basée sur les valeurs exigent des réponses à des questions plus complexes : « Pourquoi cette maladie progresse-t-elle ? », « Comment des patients similaires réagissent-ils au traitement ? », « Quels schémas émergent au sein de la population ? »
La pathologie numérique, avec ses images haute résolution capturant des informations cellulaires et moléculaires essentielles, amplifie ce défi. Une seule lame numérisée peut générer des gigaoctets de données, et le volume total devient rapidement colossal. Cette discipline est un terrain fertile pour l’apprentissage automatique, avec des algorithmes performants dans la détection, le classement et l’identification de biomarqueurs du cancer. Elle fournit également le contexte biologique nécessaire pour relier les résultats de l’imagerie aux mécanismes de la maladie et à la réponse thérapeutique.
Néanmoins, de nombreux déploiements de pathologie numérique restent étroitement liés aux systèmes d’information du laboratoire (LIS), aux formats propriétaires et aux silos de données. Il existe un risque de répéter les erreurs de la radiologie : une avancée numérique significative, utile sur le plan opérationnel, mais limitée sur le plan stratégique.
La véritable intelligence médicale émerge de la combinaison de différentes sources de données : l’imagerie radiologique pour la structure et la fonction, la pathologie pour les détails cellulaires et moléculaires, les dossiers cliniques pour le phénotype et le traitement, et la génomique pour le risque et la susceptibilité. L’intelligence artificielle joue un rôle crucial en connectant ces signaux et en permettant une médecine de précision, où la maladie est comprise au fil du temps et la réponse au traitement peut être prédite avec plus de confiance.
Des initiatives telles que la Biobanque britannique et les Archives d’imagerie du cancer illustrent ce potentiel, mais leur succès repose sur des données conçues pour être déplacées, connectées et réutilisées. La liquidité des données – leur accessibilité, leur gouvernance, leur normalisation et leur capacité à être analysées à l’échelle de l’organisation – est donc essentielle.
La pandémie de Covid-19 a mis en évidence le coût des données d’imagerie et de pathologie fragmentées. La génération d’informations à l’échelle de la population s’est avérée lente et difficile lorsque les données étaient enfermées dans les limites institutionnelles. La création de ARPA-H témoigne d’un besoin croissant d’une infrastructure nationale de découverte médicale, reconnaissant que le progrès biomédical est de plus en plus limité par les infrastructures plutôt que par les idées.
Pour les responsables des soins de santé, il s’agit d’un signal stratégique. Les organisations qui permettent aux données d’imagerie de circuler à travers l’entreprise et au-delà se positionnent pour participer à la recherche à grande échelle et à la collaboration en matière de santé publique. Celles qui ne le font pas risquent de se contenter de fournir des données sans contrôler leur utilisation.
Lorsque les données d’imagerie deviennent liquides, les avantages se multiplient : un diagnostic plus rapide, une sélection de traitement plus cohérente, une meilleure gestion de la variabilité clinique, une planification des capacités plus efficace et de nouvelles opportunités de collaboration avec les entreprises des sciences de la vie et les instituts de recherche.
Cependant, la plupart des organisations restent structurellement mal préparées. Les données d’imagerie sont souvent considérées comme la propriété d’un département plutôt que comme un capital intellectuel d’entreprise. La gouvernance est fragmentée, les contrats des fournisseurs restreignent la portabilité et les initiatives en matière d’IA progressent indépendamment de la stratégie d’imagerie. Il est impératif de considérer les données d’imagerie et de pathologie comme une infrastructure de base et une propriété intellectuelle stratégique, avec des architectures indépendantes des modalités et une gouvernance couvrant toutes les fonctions concernées.
L’avenir des soins de santé ne sera pas défini par le nombre de scanners installés ou par le nombre de projets pilotes d’IA lancés, mais par la capacité des organisations à permettre aux données d’imagerie de circuler, de se connecter et d’intégrer l’apprentissage dans toute l’entreprise, créant ainsi une véritable intelligence médicale multimodale.