L'intelligence artificielle en médecine nucléaire

Mois : 2026-04

Aide au diagnostic, amélioration des images et assistance à la rédaction. Panorama concret et mesuré des usages actuels de l'IA dans notre spécialité, à la lumière des publications 2024-2026.

La médecine nucléaire est un domaine déjà très technologique. Elle repose sur l'image, la quantification, les logiciels de reconstruction, les données cliniques et, de plus en plus, sur l'automatisation. Dans ce contexte, l'intelligence artificielle n'arrive pas comme une rupture totale, mais plutôt comme une nouvelle couche d'aide, capable d'accélérer certaines tâches, d'améliorer la qualité des images et de soutenir l'interprétation.

Depuis 2024, la littérature spécialisée montre une accélération nette des travaux sur l'IA appliquée au PET, au SPECT, à la correction d'artefacts, à la segmentation, à la quantification et à la rédaction assistée des comptes rendus. Plusieurs revues majeures — dans Radiological Physics and Technology1, le Journal of Nuclear Medicine2 et Annals of Nuclear Medicine3 — dressent un panorama désormais cohérent des apports réels et des limites persistantes.

L'IA peut aider la médecine nucléaire à être plus rapide, plus reproductible et parfois plus précise. Mais elle n'est ni magique ni autonome.

01 · Une aide au diagnostic

En médecine nucléaire, l'IA est particulièrement à l'aise dans les tâches où il faut repérer des motifs subtils, comparer des intensités, mesurer des volumes ou intégrer un grand nombre d'informations. Elle est donc très étudiée en oncologie, en neurologie et en cardiologie nucléaire.

En pratique, l'IA peut aider à mieux repérer une lésion difficile à voir, à estimer plus vite une charge tumorale, à segmenter automatiquement des structures ou à standardiser certaines mesures quantitatives. Dans les maladies neurodégénératives, elle aide à analyser les patrons de fixation en PET amyloïde ou tau.

Un exemple marquant publié début 2026 par Zhang et collaborateurs dans European Journal of Nuclear Medicine and Molecular Imaging illustre l'intérêt d'un modèle 3D multi-modal PET/CT entraîné sur 474 patients : pour la prédiction du stade T du cancer colorectal, le modèle combinant PET+TDM+données cliniques atteint une AUC de 0,869 en validation interne, avec des performances supérieures aux modèles basés sur une seule modalité4.

À retenir. L'algorithme ne pose pas le diagnostic à la place du médecin. Il agit comme un second lecteur numérique : il attire l'attention, pré-segmente, quantifie, propose un classement ou un score. Le diagnostic final reste clinique et humain.

02 · Des images plus propres et plus exploitables

L'un des domaines où l'IA est la plus impressionnante aujourd'hui est l'amélioration des images. Les modèles de deep learning sont capables d'améliorer des images PET ou SPECT bruitées, de restaurer des acquisitions à faible comptage et parfois de rendre utilisables des examens acquis plus rapidement ou à plus faible dose.

Pour le patient, l'intérêt potentiel est très concret. Si une image de bonne qualité peut être obtenue avec moins de bruit malgré moins de comptages, cela ouvre la porte à une réduction de dose injectée ou à un temps d'acquisition plus court.

Ce principe est désormais validé dans des études multicentriques d'envergure. Maes et al. ont publié en 2025 dans EJNMMI une évaluation externe en aveugle du logiciel NUCLARITY sur 65 examens acquis dans trois hôpitaux européens avec quatre radiotraceurs différents (18F-FDG, 18F-PSMA, 68Ga-PSMA, 68Ga-DOTATATE) sur scanners GE et Siemens ; six médecins nucléaires indépendants ont jugé la qualité diagnostique des images à comptage réduit de 50% comme équivalente aux images standard6.

Il faut toutefois rester prudent. Une image visuellement plus belle n'est pas toujours synonyme de fidélité biologique parfaite. Une étude de suivi thérapeutique sur 110 patients a montré que, sur des examens FDG traités par SubtlePET, les classifications de réponse tumorale différaient chez 10% des patients par rapport à la reconstruction conventionnelle, avec un impact clinique potentiel chez 2%3. Conclusion pratique : ne jamais mélanger images débruitées et non-débruitées dans un suivi longitudinal.

03 · Corriger ce que l'œil ne voit pas toujours

L'IA ne sert pas seulement à nettoyer l'image finale. Elle intervient aussi plus tôt dans la chaîne technique : correction du mouvement respiratoire et cardiaque, correction d'atténuation (y compris sans scanner associé via des atlas synthétiques pour le PET/IRM), co-registration PET-TDM automatique, synthèse d'images utiles à la reconstruction, et correction de diffusé.

04 · Segmentation automatique : la révolution silencieuse

La segmentation — délimiter précisément les contours d'un organe ou d'une lésion dans une image 3D — est une tâche cruciale mais extraordinairement chronophage. Délimiter manuellement l'ensemble des lésions tumorales d'un lymphome corps entier peut demander plus d'une heure à un médecin nucléaire expérimenté. L'IA transforme radicalement cette étape.

Les modèles généralistes comme TotalSegmentator (segmente 117 structures anatomiques sur TDM)11, MOOSE (dédié au PET/TDM corps entier) et surtout les foundation models récents comme SegAnyPET12 ou VISTA3D13 sont désormais disponibles en open-source ou semi-commercial. Ils bénéficient d'une capacité de généralisation nettement supérieure aux anciens modèles spécialisés par organe.

05 · Une aide à la rédaction des comptes rendus

Les grands modèles de langage (LLM) sont de plus en plus étudiés en médecine nucléaire pour assister la rédaction, structurer les comptes rendus, résumer les constatations, extraire des données clés (SUVmax, localisation, taille) ou transformer un texte libre en informations plus standardisées.

Attention. C'est le domaine où le risque d'erreur crédible est le plus préoccupant. Un modèle de langage peut produire une phrase très bien écrite mais factuellement fausse. Ces outils doivent rester des assistants rédactionnels sous supervision médicale stricte, avec relecture systématique mot à mot par le médecin signataire. Riedemann et al. (2024) détaillent les garde-fous nécessaires à leur déploiement en médecine14.

06 · Mieux relier l'image aux données cliniques

L'IA devient particulièrement intéressante lorsqu'elle fusionne plusieurs sources : image PET ou SPECT, scanner associé, données cliniques, parfois biologie moléculaire. Elle peut aider à relier une image à un contexte tumoral, à un risque de rechute, à une réponse attendue à un traitement. C'est le principe de la radiomique profonde multi-modale.

07 · Les limites actuelles et les défis à venir

• Manque de données multicentriques bien annotées. La plupart des modèles sont entraînés sur des cohortes monocentriques et perdent en performance lorsqu'appliqués à des images acquises sur d'autres machines, avec d'autres protocoles. Le domain shift reste le talon d'Achille du deep learning en imagerie médicale. • Variations entre machines et protocoles. Un modèle entraîné sur un scanner Siemens Biograph Vision fonctionne souvent moins bien sur un ancien TEP GE Discovery. • Contraintes réglementaires et RGPD. La mise sur le marché d'un dispositif médical d'IA exige le marquage CE (règlement MDR 2017/745), souvent en classe IIa ou IIb. • Reproductibilité et explicabilité. Un algorithme "boîte noire" qui dit simplement "anormal" sans justifier sa décision est difficilement acceptable dans un compte rendu médical. • Formation et acculturation des équipes. L'adoption durable d'un outil d'IA en service suppose une formation initiale et continue des médecins et manipulateurs.

Conclusion L'IA en médecine nucléaire n'est plus une idée futuriste. Elle est déjà présente, surtout dans l'amélioration d'image, le débruitage PET et SPECT, la segmentation automatique, la quantification et l'assistance à la rédaction. Les publications 2024-2026 marquent une transition nette : on passe de la preuve de concept à la validation clinique externe multicentrique. L'IA ne remplace pas le spécialiste en médecine nucléaire, mais elle peut lui faire gagner du temps, améliorer la qualité technique de certains examens, réduire la dose ou le temps d'acquisition, et rendre l'analyse plus homogène entre lecteurs. L'enjeu pour notre spécialité dans les cinq prochaines années est moins technique que culturel et organisationnel : savoir choisir les outils qui apportent une vraie valeur clinique, les valider localement et former les équipes. L'IA est probablement en train de devenir un très bon copilote pour la médecine nucléaire. Et comme pour tout bon copilote, sa valeur ne vient pas de sa capacité à décider seul, mais de sa capacité à assister intelligemment le professionnel qui garde la responsabilité finale.

🔑 Points clés à retenir • Aide au diagnostic — l'IA repère des motifs subtils, pré-segmente les lésions, quantifie la charge tumorale et standardise les mesures ; elle agit comme un second lecteur numérique, pas comme un décideur. • Amélioration d'image — le deep learning débruite les acquisitions PET et SPECT, ouvrant la voie à une réduction de dose ou à un temps d'acquisition court ; validé en multicentrique multi-traceur (NUCLARITY, SubtlePET, AiCE, etc.). • Correction pré-reconstruction — l'IA corrige mouvement, atténuation et co-registration PET-TDM, pour une dosimétrie et un suivi thérapeutique plus fiables, notamment en RIV. • Segmentation automatique — les foundation models (TotalSegmentator, MOOSE, SegAnyPET, VISTA3D) segmentent aujourd'hui 100+ structures en moins d'une minute, rendant enfin praticables MTV et TLG en routine. • Aide à la rédaction — les LLM structurent les comptes rendus et extraient les données clés, mais doivent rester sous supervision médicale stricte (risque d'erreur factuelle plausible). • Fusion multimodale — l'IA relie image moléculaire, scanner, données cliniques et biologie pour anticiper risque de rechute et réponse thérapeutique. • Limites actuelles — peu d'outils passent du prototype à l'usage clinique large : domain shift inter-machines, manque de données annotées, contraintes MDR/FDA et RGPD. • Responsabilité finale — le diagnostic clinique et la décision thérapeutique restent humains ; l'IA est un copilote, pas un pilote.

• Hashimoto F, Onishi Y, Ote K, Tashima H, Reader AJ, Yamaya T. Deep learning-based PET image denoising and reconstruction: a review. Radiol Phys Technol. 2024;17(1):24-46. doi:10.1007/s12194-024-00780-3 • Balaji V, Song TA, Malekzadeh M, Heidari P, Dutta J. Artificial Intelligence for PET and SPECT Image Enhancement. J Nucl Med. 2024;65(1):4-12. doi:10.2967/jnumed.122.265000 • Miwa K, et al. Innovations in clinical PET image reconstruction: advances in Bayesian penalized likelihood algorithm and deep learning. Ann Nucl Med. 2025. doi:10.1007/s12149-025-02088-7 • Zhang M, Li Y, Zheng C, et al. Fully automated 3D multi-modal deep learning model for preoperative T-stage prediction of colorectal cancer using 18F-FDG PET/CT. Eur J Nucl Med Mol Imaging. 2026;53:910-920. doi:10.1007/s00259-025-07450-5 • Zhang MX, Liu PF, Zhang MD, et al. Deep learning in nuclear medicine: from imaging to therapy. Ann Nucl Med. 2025;39(5):424-440. • Maes J, Carron C, DeKeyser S, et al. Low-count whole-body PET denoising with deep learning in a multicenter, multi-tracer and externally validated study. Eur J Nucl Med Mol Imaging. 2025. doi:10.1007/s00259-025-07672-7 • Silva LC, Constantino C, Teixeira R, et al. Assessing the quantitative feasibility of deep-learning-based denoising of faster-than-1-minute whole-body [18F]FDG PET acquisitions. J Nucl Med. 2025;66(suppl 1):251342. • PET Image Denoising with Rectified Flow. J Nucl Med. 2025;66(suppl 1):251475. • Xue S, Liu F, Wang H, et al. A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain. Eur J Nucl Med Mol Imaging. 2025;52:1901-1911. doi:10.1007/s00259-024-06994-2 • Raymond C, Zhang D, Cabello J, et al. SMART-PET: a Self-SiMilARiTy-aware generative adversarial framework for reconstructing low-count [18F]-FDG-PET brain imaging. Front Nucl Med. 2024;4:1469490. doi:10.3389/fnume.2024.1469490 • Wasserthal J, Breit HC, Meyer MT, et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell. 2023;5(5):e230024. doi:10.1148/ryai.230024 • Zhang Y, Xue L, Zhang W, et al. SegAnyPET: universal promptable segmentation from positron emission tomography images. Proc IEEE/CVF ICCV. 2025:21107-21116. • He Y, et al. VISTA3D: A Unified Segmentation Foundation Model For 3D Medical Imaging. Proc IEEE/CVF CVPR. 2025. • Riedemann L, Labonne M, Gilbert S. The path forward for large language models in medicine is open. npj Digit Med. 2024;7:339. doi:10.1038/s41746-024-01344-w • Kersting D, Borys K, Küper A, et al. Staging of prostate cancer with ultra-fast PSMA-PET scans enhanced by AI. Eur J Nucl Med Mol Imaging. 2025;52(5):1658-1670.