Pendant longtemps, la radiologie a été perçue comme une spécialité médicale centrée sur l’interprétation d’images, au service du diagnostic et du suivi thérapeutique. Le radiologue était le “lecteur expert” du scanner, de l’IRM, de la radiographie ou de l’échographie, capable d’identifier des anomalies parfois invisibles à un œil non entraîné, puis de les traduire en hypothèses cliniques utiles au parcours de soin. Mais cette vision, fondée sur une lecture humaine exhaustive des examens, se heurte désormais à une réalité structurelle : l’imagerie médicale produit de plus en plus d’images, de plus en plus vite, dans un système de santé où la demande augmente plus rapidement que les ressources disponibles.
Vieillissement de la population, augmentation de l’incidence des cancers, essor de la médecine personnalisée, multiplication des bilans préventifs et montée des maladies chroniques contribuent à l’accélération continue du recours à l’imagerie. En parallèle, les urgences hospitalières reposent de plus en plus sur des examens rapides (scanner cérébral, angioscanner, CT thoracique), tandis que l’oncologie exige des suivis répétés, comparatifs, quantifiés. Selon plusieurs analyses, la croissance du volume d’imagerie dépasse celle du nombre de radiologues dans de nombreux pays, ce qui contribue à une tension durable sur les délais de compte rendu et sur la charge cognitive des praticiens¹. Dans certaines structures, le radiologue ne fait plus face à quelques clichés, mais à des centaines, parfois des milliers d’images par examen, ce qui change la nature même de l’attention requise.
Dans ce contexte, la complexité explose. Les examens deviennent plus riches (séquences IRM multiparamétriques, imagerie fonctionnelle, reconstructions 3D), les contextes cliniques plus exigeants (décisions thérapeutiques rapides, concertations pluridisciplinaires), et les attentes plus élevées (qualité, traçabilité, standardisation). Parallèlement, la radiologie se numérise totalement : archives PACS, dossiers patients, données biologiques, antécédents, comptes rendus antérieurs, tout converge vers un écosystème où la donnée s’accumule et où la valeur dépend de la capacité à trier, prioriser et comparer. C’est précisément dans cet interstice que l’intelligence artificielle s’impose, non comme un remplaçant, mais comme une couche d’assistance, capable de détecter, quantifier, prioriser et parfois proposer des hypothèses sur des volumes d’images devenus difficiles à absorber humainement².
Les chiffres illustrent cette mutation :
- Le marché mondial de l’intelligence artificielle en imagerie médicale connaît une croissance rapide et pourrait atteindre plusieurs dizaines de milliards de dollars à horizon 2030, porté par l’aide au diagnostic, la priorisation et l’automatisation de tâches de post-traitement³.
- Des études cliniques ont montré que, sur des tâches ciblées (par exemple la détection de certains cancers sur imagerie), des systèmes d’IA peuvent atteindre des performances comparables à celles d’experts, surtout lorsqu’ils sont utilisés comme second lecteur ou outil de tri, sous supervision médicale⁴.
- L’Organisation mondiale de la Santé rappelle que le déploiement de l’IA en santé n’a de valeur que s’il renforce la sécurité des patients, la transparence et la responsabilité clinique, ce qui place le radiologue au centre de la gouvernance de ces outils⁵.
Le métier entre ainsi dans une nouvelle ère. Il ne s’agit plus seulement d’interpréter des images, mais de piloter un diagnostic augmenté, fondé sur des flux massifs de données, des priorisations en temps réel et une collaboration étroite entre expertise humaine et algorithmes, avec une exigence renforcée de qualité, d’explicabilité et de confiance.
Comment l’IA s’intègre dans l’imagerie médicale
L’intelligence artificielle ne se limite plus à des projets expérimentaux en radiologie. Elle s’intègre désormais progressivement à chaque étape du parcours d’imagerie, depuis l’acquisition des images jusqu’à la rédaction du compte rendu. Elle transforme la manière de détecter, prioriser, quantifier et documenter les anomalies. Là où le radiologue analysait seul un volume croissant d’images, il travaille désormais dans un environnement où des systèmes algorithmiques filtrent, signalent et hiérarchisent l’information. Cette évolution ne supprime pas l’expertise humaine, elle en redéfinit les points d’appui.
Les cas d’usage les plus structurants illustrent cette transformation :
- Détection automatisée des anomalies : Les réseaux neuronaux convolutionnels sont capables d’identifier des structures anatomiques et de détecter des anomalies sur des images complexes (nodules pulmonaires, fractures fines, microcalcifications mammaires). Dans le dépistage du cancer du sein, certaines études ont montré que l’utilisation d’un système d’IA en second lecteur permettait de maintenir la sensibilité diagnostique tout en réduisant la charge de lecture humaine⁶. L’IA agit ici comme un outil d’alerte précoce, attirant l’attention sur des zones à examiner plus attentivement.
- Priorisation des cas urgents (tri intelligent) : Dans les services d’urgence, la rapidité d’interprétation est cruciale. Des systèmes d’IA peuvent analyser automatiquement un scanner cérébral et détecter une suspicion d’hémorragie intracrânienne en quelques secondes, déclenchant une alerte prioritaire⁷. Ce tri algorithmique permet de réduire le délai entre l’acquisition de l’image et la prise en charge thérapeutique, un facteur déterminant dans le pronostic des AVC.
- Quantification automatisée et suivi longitudinal : L’IA excelle dans la mesure précise et reproductible. Elle peut segmenter automatiquement une tumeur, calculer son volume et comparer son évolution entre deux examens espacés dans le temps. Cette standardisation améliore la cohérence du suivi oncologique et réduit la variabilité inter-observateur, un enjeu reconnu en radiologie clinique⁸.
- Réduction des erreurs liées à la fatigue cognitive : L’analyse d’images répétitives expose les radiologues à un risque de fatigue visuelle et décisionnelle. Des études publiées dans Nature Medicine suggèrent que l’association homme-machine permet d’améliorer la performance globale par rapport à l’un ou l’autre pris isolément⁹. L’IA peut ainsi fonctionner comme un filet de sécurité, limitant les omissions involontaires.
- Génération assistée de comptes rendus structurés : Certains outils intègrent des modules de traitement automatique du langage naturel capables de proposer des structures de compte rendu standardisées. Cela facilite la traçabilité, l’interopérabilité et l’exploitation secondaire des données cliniques, notamment dans une perspective de recherche ou d’amélioration continue des pratiques¹⁰.
Ces usages transforment en profondeur la pratique quotidienne. La radiologie devient moins séquentielle et davantage interactive, articulée autour d’un dialogue permanent entre expertise humaine et analyse algorithmique. Toutefois, cette intégration renforce aussi la dépendance à la qualité des données d’entraînement, à la validation clinique des outils et à la capacité du radiologue à exercer un contrôle critique sur les résultats produits.
Un nouveau rôle pour le radiologue
L’intégration de l’intelligence artificielle dans l’imagerie médicale ne redéfinit pas seulement les outils du radiologue, elle transforme en profondeur son positionnement professionnel. Là où il était historiquement perçu comme un expert de l’image, intervenant principalement en aval de l’examen, il devient progressivement un acteur central d’un écosystème numérique, responsable de la validation, de l’interprétation et de la gouvernance des systèmes algorithmiques intégrés au parcours de soin.
Cette évolution ne correspond pas à une substitution, mais à un déplacement de la valeur. Le radiologue ne se contente plus d’identifier une anomalie, il contextualise une probabilité, arbitre entre des hypothèses générées par un système, et assume la responsabilité finale d’un diagnostic qui engage la prise en charge thérapeutique.
Concrètement, ce nouveau rôle implique plusieurs dimensions structurantes :
- Supervision et validation des algorithmes : Les systèmes d’IA produisent des scores, des cartes de chaleur, des probabilités de pathologie. Le radiologue doit interpréter ces signaux, distinguer les faux positifs des alertes pertinentes et vérifier que l’algorithme n’a pas été induit en erreur par des artefacts ou des variations anatomiques atypiques. La décision médicale reste humaine, et la responsabilité juridique également.
- Intégration clinique élargie : L’IA analyse des images. Le radiologue, lui, intègre le contexte clinique, les antécédents, les données biologiques et l’évolution temporelle. Il devient l’interface entre l’analyse algorithmique et la réalité du patient, garant d’une lecture globale et non fragmentée.
- Médiation pédagogique auprès des équipes et des patients : L’usage de l’IA soulève des interrogations. Comment fonctionne l’outil ? Peut-on lui faire confiance ? Le radiologue doit être capable d’expliquer la part d’assistance algorithmique dans son diagnostic, sans créer de confusion ni déléguer la responsabilité à la machine.
- Participation à la gouvernance technologique : Dans de nombreux établissements, les radiologues participent désormais aux comités d’évaluation des solutions d’IA, aux phases de validation clinique et aux protocoles d’implémentation. Ils deviennent acteurs des choix technologiques et non simples utilisateurs.
- Contribution à la recherche et à l’amélioration continue : Les systèmes d’IA nécessitent des données annotées et des retours d’expérience. Le radiologue joue un rôle clé dans l’amélioration des modèles, en participant à l’enrichissement des bases d’apprentissage et à l’évaluation des performances en conditions réelles.
Cette transformation modifie également la temporalité du métier. Là où le radiologue intervenait après acquisition des images, il peut désormais être impliqué en amont, dans l’optimisation des protocoles d’imagerie, et en aval, dans l’analyse de performance des outils déployés.
Cependant, cette mutation n’est pas neutre. Elle implique :
- Une responsabilité accrue en cas d’erreur assistée par IA.
- Une nécessité de formation continue face à l’évolution rapide des outils.
- Une vigilance éthique concernant les biais algorithmiques et l’équité des performances selon les populations.
Selon l’Organisation mondiale de la Santé, l’intégration de l’IA en santé exige que les professionnels conservent un contrôle humain significatif et garantissent la transparence des décisions⁵. Dans ce cadre, le radiologue devient le garant du maintien de l’humain au centre du processus diagnostique.
Ainsi, le métier ne disparaît pas, il se redéploie. Le radiologue de demain ne sera pas un simple lecteur d’images assisté par machine, mais un superviseur de systèmes intelligents, un interprète de probabilités et un responsable clinique renforcé, dont l’expertise s’étend désormais à la compréhension critique des outils numériques qu’il utilise.
Quelles compétences pour le radiologue à l’ère de l’IA ?
Les fondamentaux du métier de radiologue, maîtrise de l’anatomie, compréhension des mécanismes physiopathologiques, capacité d’analyse sémiologique fine et raisonnement clinique structuré, demeurent le socle indispensable de la pratique. La responsabilité médicale, l’éthique du soin et la rigueur scientifique ne disparaissent pas à l’ère numérique. Toutefois, l’intégration croissante de l’intelligence artificielle impose une extension significative du périmètre de compétences. Le radiologue ne doit plus seulement comprendre l’image, il doit aussi comprendre le système qui l’analyse.
Cette évolution transforme la formation, la posture professionnelle et la culture du métier.
Compétences techniques et numériques
- Comprendre les principes de l’apprentissage automatique : Sans devenir data scientist, le radiologue doit saisir les notions de base des réseaux neuronaux, des jeux de données d’entraînement, des performances (sensibilité, spécificité, AUC) et des limites statistiques.
- Évaluer la qualité d’un algorithme en contexte clinique réel : Un modèle performant en laboratoire peut se révéler moins robuste en conditions hospitalières. Le radiologue doit être capable d’interpréter les métriques publiées et de questionner leur applicabilité à sa population de patients.
- Analyser des interfaces d’aide à la décision : Cartes de chaleur, scores de probabilité, segmentation automatique, ces outils doivent être lus de manière critique et intégrés à l’analyse globale.
- Identifier les biais de données : Un algorithme entraîné majoritairement sur des données issues d’une population donnée peut présenter des performances inégales sur d’autres groupes démographiques, ce qui pose un enjeu d’équité diagnostique.
Selon l’European Society of Radiology, la formation en intelligence artificielle devrait devenir un module structurant de la formation initiale en radiologie dans les prochaines années¹¹.
Compétences cognitives et décisionnelles
L’environnement augmenté modifie la charge mentale et la dynamique décisionnelle.
- Maintenir une vigilance active face à l’automatisation : Le risque de “biais d’automatisation” est documenté en médecine : lorsque la machine propose une réponse, le professionnel peut être tenté de la suivre sans la questionner.
- Savoir reprendre le contrôle en cas d’erreur algorithmique : Un faux négatif dans la détection d’une lésion peut avoir des conséquences majeures. Le radiologue doit conserver une autonomie critique permanente.
- Gérer la coexistence de signaux contradictoires : Il peut arriver que l’intuition clinique contredise la probabilité calculée. Le jugement humain reste l’instance d’arbitrage ultime.
- Développer une lecture probabiliste du diagnostic : L’IA introduit une culture du score et de la probabilité. Le radiologue doit intégrer cette dimension sans transformer le diagnostic en simple résultat statistique.
Des travaux publiés dans Nature Medicine soulignent que les performances optimales sont obtenues lorsque la décision finale résulte d’une collaboration homme-machine structurée plutôt que d’une délégation totale⁹.
Compétences éthiques, juridiques et réglementaires
L’IA en santé est classée parmi les usages à haut risque dans les cadres réglementaires européens. Cela renforce la responsabilité des professionnels qui l’utilisent.
- Comprendre le cadre réglementaire européen : L’AI Act européen classe les dispositifs médicaux intégrant de l’IA parmi les systèmes à haut niveau d’exigence en matière de sécurité, de transparence et de traçabilité.
- Garantir la traçabilité des décisions : En cas d’erreur diagnostique, il est indispensable de pouvoir documenter la part respective de l’analyse humaine et de l’assistance algorithmique.
- Assurer la transparence vis-à-vis des patients : La confiance repose sur la clarté. Le patient doit comprendre que l’IA assiste le médecin, sans se substituer à lui.
- Participer aux réflexions éthiques hospitalières : Déploiement des outils, choix des fournisseurs, validation clinique, audit des performances, le radiologue doit contribuer activement à la gouvernance technologique.
L’Organisation mondiale de la Santé rappelle que l’IA en santé doit respecter des principes de responsabilité, d’inclusivité et de supervision humaine constante⁵.
Compétences relationnelles et interdisciplinaires
La radiologie augmentée n’est pas une discipline isolée.
- Collaborer avec des data scientists et ingénieurs biomédicaux : La compréhension mutuelle entre cliniciens et techniciens devient stratégique.
- Participer à des équipes pluridisciplinaires enrichies par la donnée : Oncologues, chirurgiens, biologistes et radiologues partagent désormais des indicateurs quantifiés issus de systèmes intelligents.
- Contribuer à la formation des nouvelles générations : Les jeunes médecins devront être formés à une radiologie hybride, à la fois clinique et numérique.
Selon une analyse prospective du World Economic Forum sur les métiers de la santé, les compétences numériques avancées feront partie des domaines en plus forte croissance dans le secteur médical d’ici 2030¹².
Le radiologue de demain ne sera pas remplacé par l’intelligence artificielle. Il sera redéfini par sa capacité à comprendre, encadrer et maîtriser les outils numériques qui enrichissent sa pratique. La valeur ne résidera plus uniquement dans la capacité à lire des images, mais dans l’aptitude à orchestrer un environnement diagnostique complexe, où la technologie devient un levier, et non un substitut.
L’intelligence artificielle peut-elle rendre le diagnostic plus fiable ?
L’un des arguments majeurs en faveur de l’intelligence artificielle en radiologie est sa capacité à réduire les erreurs humaines. En médecine, l’erreur diagnostique reste une réalité documentée. La fatigue cognitive, la surcharge d’examens, la variabilité inter-observateur ou encore la pression temporelle peuvent affecter la performance clinique. Certaines estimations internationales suggèrent que les erreurs diagnostiques contribuent de manière significative aux événements indésirables graves dans les systèmes de santé¹³. Dans ce contexte, l’IA apparaît comme un outil susceptible de renforcer la sécurité, en agissant comme un second lecteur systématique et infatigable.
Exemples concrets :
- Dépistage du cancer du sein : Des études publiées dans Nature ont montré qu’un système d’IA utilisé en complément d’un radiologue pouvait réduire les faux négatifs et faux positifs dans certains contextes de dépistage, améliorant la sensibilité globale tout en diminuant la charge de lecture⁴. L’association homme-machine a démontré des performances supérieures à celles de l’un ou l’autre pris isolément dans plusieurs protocoles contrôlés.
- Détection des accidents vasculaires cérébraux (AVC) : Des algorithmes d’analyse automatique des scanners cérébraux permettent d’identifier des hémorragies intracrâniennes ou des occlusions artérielles en quelques secondes, réduisant le délai d’alerte et améliorant la rapidité de prise en charge, un facteur déterminant du pronostic neurologique⁷.
- Analyse des images pulmonaires : Durant la pandémie de Covid-19, certains systèmes d’IA ont été utilisés pour quantifier automatiquement l’atteinte pulmonaire sur scanner thoracique, facilitant le tri des patients et le suivi évolutif dans des contextes de forte pression hospitalière¹⁴.
- Réduction de la variabilité inter-observateur : La segmentation automatisée de lésions tumorales ou d’organes permet une mesure reproductible, limitant les écarts d’interprétation entre praticiens et améliorant la cohérence des décisions thérapeutiques⁸.
Ces avancées suggèrent que l’IA peut contribuer à renforcer la précision, la rapidité et la standardisation du diagnostic. Elle permet d’analyser des volumes d’images massifs, d’identifier des signaux faibles et de maintenir une vigilance constante, là où l’humain peut être affecté par la fatigue ou la charge mentale.
Cependant, ces promesses doivent être examinées avec prudence.
L’IA introduit également de nouveaux risques :
- Le biais algorithmique : Un modèle entraîné sur des bases de données issues majoritairement d’une population donnée peut présenter des performances moindres sur d’autres groupes démographiques, ce qui pose un enjeu d’équité diagnostique.
- L’effet boîte noire : Certains algorithmes complexes produisent des résultats difficilement explicables. Or, en médecine, la décision doit pouvoir être justifiée et comprise.
- La dépendance cognitive à l’automatisation : Le biais d’automatisation peut conduire à une surconfiance dans les recommandations algorithmiques, réduisant la vigilance critique du praticien.
- La responsabilité médico-légale : En cas d’erreur assistée par IA, la responsabilité juridique demeure humaine. Le radiologue ne peut déléguer sa décision à un système.
Le défi est donc double. L’intelligence artificielle peut améliorer la fiabilité du diagnostic, mais seulement si elle est utilisée comme un outil d’assistance, sous supervision constante, validée cliniquement et auditée régulièrement. Comme le souligne l’Organisation mondiale de la Santé, l’IA en santé doit rester explicable, transparente et centrée sur l’humain⁵.
La fiabilité diagnostique ne dépend pas uniquement de la performance algorithmique, mais de la qualité de l’interaction entre l’expertise humaine et l’intelligence artificielle. Ce n’est pas la machine seule qui améliore la sécurité, c’est la manière dont le radiologue l’intègre dans son raisonnement clinique.
À quoi ressemblera le métier de radiologue demain ?
Le radiologue de 2035 évoluera dans un environnement entièrement numérique, interconnecté et assisté en temps réel. Les salles d’imagerie seront intégrées à des plateformes intelligentes capables d’analyser instantanément les examens, de comparer automatiquement les données antérieures du patient et de suggérer des hypothèses diagnostiques hiérarchisées. Le rôle du radiologue se déplacera progressivement de la lecture exhaustive vers la supervision stratégique, l’interprétation complexe et la coordination clinique.
Plusieurs évolutions sont déjà visibles ou en phase de déploiement :
- Des flux d’examens priorisés automatiquement : Les systèmes d’IA trieront les examens en fonction de leur degré d’urgence, identifiant par exemple une suspicion d’hémorragie cérébrale ou d’embolie pulmonaire en quelques secondes, afin d’alerter immédiatement les équipes concernées.
- Des plateformes de comparaison longitudinale automatisée : Les outils intelligents analyseront l’évolution d’une lésion sur plusieurs années, détectant des variations subtiles invisibles à l’œil humain, et fournissant des indicateurs quantifiés intégrés au dossier patient.
- Des comptes rendus enrichis et interopérables : Les rapports ne seront plus de simples textes descriptifs, mais des documents structurés intégrant images annotées, mesures automatiques et indicateurs prédictifs, exploitables par d’autres spécialités et par des systèmes d’aide à la décision clinique.
- Une intégration renforcée dans les parcours personnalisés de soins : L’imagerie deviendra un pilier des stratégies de médecine de précision, croisant données génétiques, biologiques et radiologiques pour affiner les traitements.
- De nouveaux profils hybrides : Des radiologues spécialisés en gouvernance de l’IA, en validation clinique des algorithmes ou en data science médicale émergeront au sein des hôpitaux universitaires et des centres de recherche.
Cependant, malgré ces avancées, un consensus s’impose dans la littérature scientifique : le jugement clinique humain demeure irremplaçable. L’IA excelle dans la détection de motifs et la quantification, mais elle ne comprend ni l’histoire singulière du patient, ni les nuances du contexte clinique, ni les implications humaines d’une annonce diagnostique.
Dans un environnement où l’automatisation sera croissante, c’est précisément la capacité du radiologue à penser en incertitude, à contextualiser des probabilités et à assumer une responsabilité médicale qui fera toute la différence. L’expertise humaine ne disparaît pas, elle se déplace vers des tâches à plus forte valeur cognitive et relationnelle.
Le radiologue de demain ne sera pas en compétition avec la machine. Il sera le garant de sa pertinence, de sa sécurité et de son intégration éthique dans le soin. Dans une médecine de plus en plus augmentée, la technologie accélérera l’analyse, mais la décision restera un acte profondément humain.
Vers une radiologie augmentée, mais toujours humaine
L’intelligence artificielle transforme en profondeur l’imagerie médicale, mais elle n’en altère pas la finalité. Elle accélère l’analyse, améliore la détection, standardise la quantification et renforce la traçabilité. Elle redistribue les priorités, moins de lecture répétitive, plus d’interprétation globale, moins d’isolement décisionnel, plus de collaboration interdisciplinaire. Pourtant, au cœur de cette mutation, une constante demeure : le diagnostic reste un acte médical.
La radiologie augmentée n’est pas une radiologie automatisée. Elle repose sur une alliance structurée entre expertise clinique et puissance computationnelle. L’algorithme identifie des corrélations, le radiologue en évalue la pertinence. La machine calcule des probabilités, le médecin les inscrit dans une trajectoire de soin. La technologie analyse des pixels, l’humain comprend une personne.
Cette distinction est fondamentale. Un diagnostic ne se limite pas à la détection d’une anomalie. Il engage des décisions thérapeutiques, des annonces sensibles, parfois des orientations vitales. Il suppose une compréhension du contexte, de l’histoire du patient, de ses vulnérabilités et de ses attentes. Aucun modèle statistique, aussi performant soit-il, ne peut assumer seul cette dimension relationnelle et éthique.
L’enjeu pour les prochaines années ne sera donc pas de savoir si l’IA remplacera le radiologue, mais de déterminer comment structurer une intégration responsable, explicable et sécurisée de ces outils. Cela implique :
- Une validation clinique rigoureuse des systèmes avant déploiement.
- Une formation continue des professionnels de santé.
- Une gouvernance transparente des données et des algorithmes.
- Une supervision humaine constante dans les décisions à fort impact.
La radiologie augmentée ouvre aussi des perspectives positives majeures. Elle peut contribuer à réduire les délais d’interprétation, améliorer l’accès au diagnostic dans les zones sous-dotées, renforcer la détection précoce des pathologies et soutenir une médecine plus personnalisée. Elle peut devenir un levier d’équité, à condition que ses modèles soient entraînés sur des données représentatives et évalués de manière indépendante.
Finalement, la transformation en cours dépasse la seule radiologie. Elle interroge la place du médecin dans un environnement où la donnée devient omniprésente. Elle oblige à redéfinir la compétence, non plus seulement comme accumulation de connaissances, mais comme capacité à piloter des systèmes intelligents de manière critique et responsable.
Dans une médecine de plus en plus technologique, la valeur du radiologue ne se mesurera pas à sa capacité à rivaliser avec l’algorithme, mais à son aptitude à lui donner du sens. La machine peut aider à voir plus vite. Le médecin, lui, doit continuer à voir juste.
Et si, au fond, la véritable révolution de l’intelligence artificielle en radiologie n’était pas de remplacer l’expertise humaine, mais de la révéler dans ce qu’elle a de plus essentiel : le discernement, la responsabilité et l’attention portée à chaque patient ?
Pour aller plus loin
Pour élargir la réflexion et comprendre comment l’IA redessine d’autres professions, des ressources humaines à la finance, de la santé à la communication, nous vous invitons à parcourir l’ensemble de notre rubrique dédiée « IA & Métiers », qui analyse l’impact concret des technologies intelligentes sur les compétences, les pratiques et l’organisation du travail.
Références
1. The Royal College of Radiologists. (2023). Clinical radiology UK workforce census 2022 report.
https://www.rcr.ac.uk/publication/clinical-radiology-uk-workforce-census-2022-report
2. European Society of Radiology (ESR). (2019). What the radiologist should know about artificial intelligence (AI).
https://insightsimaging.springeropen.com/articles/10.1186/s13244-019-0738-2
3. Grand View Research. (2024). AI in Medical Imaging Market Size, Share & Trends.
https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-ai-in-medical-imaging-market
4. McKinney, S. M. et al. (2020). International evaluation of an AI system for breast cancer screening. Nature.
https://www.nature.com/articles/s41586-019-1799-6
5. World Health Organization. (2021). Ethics and governance of artificial intelligence for health.
https://www.who.int/publications/i/item/9789240029200
6. McKinney, S. M. et al. (2020). International evaluation of an AI system for breast cancer screening. Nature.
https://www.nature.com/articles/s41586-019-1799-6
7. Chilamkurthy, S. et al. (2018). Deep learning algorithms for detection of critical findings in head CT scans. The Lancet.
https://www.thelancet.com/journals/lanplh/article/PIIS2589-7500(18)30147-X
8. European Society of Radiology. (2022). Artificial intelligence in oncology imaging.
https://www.myesr.org
9. Esteva, A. et al. (2019). A guide to deep learning in healthcare. Nature Medicine.
https://www.nature.com/articles/s41591-018-0316-z
10. Pesapane, F. et al. (2020). Artificial intelligence as a medical device in radiology. Insights into Imaging.
https://insightsimaging.springeropen.com
11. European Society of Radiology. (2022). Training radiologists in artificial intelligence: European perspectives.
https://www.myesr.org
12. World Economic Forum. (2024). Future of Jobs in Healthcare.
https://www.weforum.org
13. National Academies of Sciences. (2015). Improving Diagnosis in Health Care.
https://www.nationalacademies.org
14. Harmon, S. A. et al. (2020). Artificial intelligence for the detection of COVID-19 pneumonia on chest CT. Radiology.
https://pubs.rsna.org