top of page
Rechercher

IA en radiologie : Licornes, benchmarks flatteurs et fiabilité en pratique

L'intelligence artificielle (IA) en radiologie connaît une expansion fulgurante, avec plusieurs solutions nouvelles lancées chaque semaine. Cet article approfondie examine trois dimensions essentielles de cet écosystème en pleine croissance : les profils des créateurs de ces solutions, leur efficacité clinique réelle par rapport aux promesses annoncées, et leur capacité à générer des revenus substantiels. L'analyse révèle un secteur à deux vitesses, où l'innovation technologique se heurte aux réalités de la validation clinique et de la viabilité économique.




1. Les créateurs des solutions d'IA en radiologie : entre expertise médicale et ingénierie


1.1 Profils dominants des fondateurs

L'analyse de 19 entreprises leaders du secteur de l'IA en radiologie révèle une diversité dans les profils fondateurs, avec néanmoins des tendances marquées. La majorité des startups d'IA radiologique sont créées par des équipes mixtes combinant radiologues et ingénieurs, reflétant la nécessité d'allier expertise clinique et compétences techniques avancées


Composition des équipes fondatrices des startups d'IA en radiologie - la plupart combinent expertise médicale et technique
Composition des équipes fondatrices des startups d'IA en radiologie - la plupart combinent expertise médicale et technique

Parmi les exemples notables, Rad AI illustre parfaitement ce modèle hybride. L'entreprise a été fondée en 2018 par Dr. Jeff Chang, le plus jeune radiologue de l'histoire américaine (ayant débuté ses études de médecine à 16 ans), associé à Doktor Gurson, entrepreneur technologique chevronné. Cette combinaison s'est révélée particulièrement efficace : après une décennie de gardes de nuit épuisantes en radiologie d'urgence (lisant jusqu'à 250 examens par nuit), Dr. Chang a poursuivi des études en apprentissage automatique pour identifier comment l'IA pourrait alléger le fardeau des radiologues.

Viz.ai, valorisée à 1,2 milliard de dollars, a été fondée en 2016 par un neurologue, Dr. Chris Mansi, accompagné d'ingénieurs. Cette startup s'est spécialisée dans la détection des AVC, avec un système déployé dans plus de 1 600 hôpitaux.

De même, Aidoc, qui a levé 370 millions de dollars, combine radiologues et ingénieurs dans son équipe fondatrice.

Gleamer, leader français de l'IA radiologique, a été créé en 2017 par une équipe comprenant Christian Allouche et Nor-Eddine Regnard, tous deux radiologues, ainsi que des ingénieurs comme Alexis Ducarouge. Avec 2 500 sites cliniques dans plus de 45 pays et plus de 45 millions de patients analysés annuellement, Gleamer représente l'un des succès européens majeurs.


1.2 Les modèles alternatifs : ingénieurs en tête

Un second modèle, moins fréquent mais présent, consiste en des startups dirigées principalement par des ingénieurs avec des conseillers médicaux.


DeepTek, startup indienne cofondée par Dr. Amit Kharat (radiologue) et Ajit Jaokar (entrepreneur technologique diplômé de l'IIT Kharagpur), illustre ce modèle hybride penché vers la technologie. En 2018, l'entreprise affichait déjà un taux de revenus de 0,5 million de dollars annuels et se déclarait rentable.

Deepc, startup munichoise, a été fondée par Dr. Franz Pfister, médecin, data scientist et titulaire d'un MBA. Son profil unique combine médecine, neurosciences, sciences des données et gestion d'entreprise, illustrant l'évolution vers des fondateurs "hybrides" maîtrisant plusieurs domaines.

Quibim, startup espagnole spécialisée dans les modèles fondamentaux d'IA pour l'imagerie médicale, a été fondée en 2009 par Ángel Alberich-Bayarri, un ingénieur biomédical. Avec 170 installations mondiales incluant Stanford et Harvard, et une levée de 70 millions de dollars (dont 50 millions en 2025), Quibim démontre que les fondateurs à profil ingénierie peuvent également réussir, notamment lorsqu'ils établissent rapidement des partenariats médicaux solides.


2. Efficacité réelle des solutions d'IA : un écart entre promesses et réalité


2.1 L'explosion des approbations réglementaires

Le nombre de dispositifs d'IA médicale approuvés par la FDA connaît une croissance exponentielle. En janvier 2026, 1 039 outils d'IA radiologique ont été autorisés, représentant 76% de tous les dispositifs d'IA médicale. Cette proportion écrasante confirme que la radiologie reste le terrain de jeu privilégié de l'IA médicale.


Les principaux acteurs dominent les approbations : GE Healthcare (96 outils autorisés), Siemens Healthineers (80), Philips (42), Canon (35), United Imaging (32), et Aidoc (30). Cette concentration suggère que les grands équipementiers intègrent massivement l'IA dans leurs systèmes d'imagerie.


Depuis 2016, le nombre de dispositifs approuvés a augmenté de façon spectaculaire, passant d'une moyenne de 7 approbations annuelles entre 1995 et 2015 à 139 approbations en 2022 et continuant à croître. En décembre 2025, la FDA a ajouté 56 dispositifs radiologiques en une seule semaine.


Manque de données démographiques : Seulement 3,6% des approbations mentionnent l'origine ethnique ou raciale des sujets testés, et 81,6% ne fournissent aucune information sur l'âge des patients. Cette absence de diversité dans les données d'entraînement risque d'exacerber les disparités de santé, l'IA pouvant moins bien fonctionner sur des populations sous-représentées.


Transparence insuffisante sur la méthodologie : Seulement 46,1% des dispositifs approuvés fournissent des résultats détaillés des études de performance, et 62,8% ne mentionnent pas la taille de l'échantillon testé. Or, la taille et la qualité des datasets sont cruciales pour évaluer la fiabilité des algorithmes.


Validation post-commercialisation déficiente : Seulement 9% des approbations incluent une étude prospective de surveillance post-marché. En outre, 72% des dispositifs ne précisent pas s'ils ont été testés dans plusieurs centres, limitant l'évaluation de leur généralisation à différents environnements cliniques.


Publication scientifique rarissime : Seulement 1,9% des approbations incluent un lien vers une publication scientifique validée par les pairs démontrant la sécurité et l'efficacité. Cette absence de validation scientifique indépendante est préoccupante pour un secteur qui prétend révolutionner la médecine


2.2 Le fossé entre performance en laboratoire et utilisation clinique

Une méta-analyse systématique de 48 études évaluant l'implémentation réelle de l'IA en imagerie médicale révèle des résultats nuancés. Bien que 66,6% des études rapportent une réduction du temps de lecture avec l'IA, seulement 13 de ces 22 études ont démontré une différence statistiquement significative. Cette absence de gain d'efficacité mesurable contraste fortement avec les promesses marketing des fournisseurs d'IA.


Écart entre les promesses et la réalité des performances de l'IA en radiologie - plusieurs lacunes critiques dans la validation
Écart entre les promesses et la réalité des performances de l'IA en radiologie - plusieurs lacunes critiques dans la validation

3. Génération de revenus : entre promesses de licornes et réalités économiques


3.1 Le paysage du financement : une croissance explosive

Le secteur de l'IA en imagerie médicale a attiré des investissements massifs. En 2025, les investisseurs ont injecté environ 10,7 milliards de dollars dans les startups de technologies de santé propulsées par l'IA (toutes catégories confondues). Le marché mondial de l'IA en radiologie était évalué à 10,57 milliards de dollars en 2024 et devrait atteindre 193,02 milliards de dollars d'ici 2033, avec un taux de croissance annuel composé (TCAC) de 38,31%.


3.2 Revenus réels : des chiffres rares

Contrairement aux montants très médiatisés des levées de fonds, peu d’informations fiables sur les revenus réels des startups d’IA en radiologie sont disponibles. Cette opacité rend difficile l’évaluation de leur viabilité économique et de leur rentabilité à long terme. Les données disponibles montrent des situations très contrastées. Rad AI aurait généré environ 13,4 millions de dollars de chiffre d’affaires en 2023, avec une croissance très rapide ces dernières années. Toutefois, l’entreprise a levé 158 millions de dollars, ce qui suggère une forte consommation de trésorerie et une rentabilité encore absente. Viz.ai présente un profil plus solide, avec environ 40 millions de dollars de revenus en 2023, une projection à 65 millions en 2024 et un objectif de 100 millions de revenus annuels récurrents. Néanmoins, les 291 millions de dollars levés laissent penser que la rentabilité n’est pas encore atteinte.

HeartFlow fait figure d’exception. L’entreprise est rentable, a réussi son introduction en bourse en août 2025 et atteint une valorisation de 2,5 milliards de dollars. Ce succès s’explique en grande partie par l’obtention précoce de codes de remboursement, élément clé pour la monétisation en santé.

À l’inverse, Zebra Medical Vision illustre les difficultés du secteur : rachetée par Nanox pour 110 millions de dollars, plus des compléments conditionnels, alors qu’elle ne générait pas encore de revenus. DeepTek déclarait une rentabilité modeste en 2018 (environ 0,5 million de dollars par an), sans données publiques plus récentes. Enfin, Subtle Medical met surtout en avant des gains opérationnels (réduction du temps d’examen, augmentation du débit), sans communiquer de chiffres financiers précis.

Dans l’ensemble, ces exemples montrent que l’IA en radiologie attire beaucoup de capitaux, mais que peu d’acteurs démontrent aujourd’hui un modèle économique clairement rentable, en grande partie faute de transparence sur leurs revenus réels.


3.3 Modèles économiques : entre SaaS, per-study et remboursement

Les modèles économiques de l’IA en radiologie oscillent aujourd’hui entre abonnements SaaS, facturation à l’examen et logiques de remboursement, chacun présentant des avantages et des limites structurelles. 

Le modèle SaaS par abonnement, le plus répandu, est adopté par Rad AI, Aidoc, Viz.ai ou encore Gleamer ; il repose sur des abonnements annuels indexés sur le volume d’examens ou le nombre d’utilisateurs, offrant des revenus récurrents prévisibles mais impliquant un coût initial significatif pour les établissements.

Le modèle per-study, fondé sur une facturation à l’examen analysé, peut séduire les structures à faible volume, mais devient rapidement onéreux à grande échelle et suppose une infrastructure de facturation complexe pour gérer des volumes élevés de micro-transactions.

Le modèle basé sur le remboursement, illustré de manière emblématique par HeartFlow, repose sur l’obtention de codes CPT permettant une facturation directe aux assureurs, rendant l’adoption quasi neutre pour les hôpitaux, au prix toutefois de cycles longs de validation clinique et réglementaire.

Enfin, le modèle de partage des risques, dans lequel le fournisseur est rémunéré sur les économies générées ou pénalisé en cas de performance insuffisante, reste marginal en pratique, la majorité des hôpitaux ne disposant pas de systèmes robustes de mesure des KPI et du retour sur investissement (ROI).



3.5 Les rares succès de monétisation et leurs leçons

Les rares succès de monétisation de l’IA médicale mettent en évidence des leviers clairement identifiables, mais difficiles à reproduire à grande échelle. HeartFlow constitue le cas le plus emblématique : en obtenant dès 2014 l’approbation de la FDA et en construisant progressivement un corpus solide de preuves cliniques, l’entreprise a convaincu Medicare et les assureurs privés de rembourser l’analyse FFR-CT, condition clé ayant permis d’atteindre la rentabilité puis l’introduction en bourse. Rad AI illustre une autre voie, fondée sur l’automatisation des workflows et la réduction du burnout des radiologues, avec une adoption par environ 40 % des systèmes de santé américains et 9 des 10 plus grands cabinets de radiologie ; toutefois, malgré 13,4 M$ de revenus en 2023 et une croissance très rapide, la rentabilité demeure incertaine au regard des 158 M$ levés. Viz.ai a, quant à elle, réussi à s’imposer dans plus de 1 600 hôpitaux en ciblant des cas d’usage à très forte valeur clinique (AVC, embolie pulmonaire), permettant aux établissements de justifier l’investissement par des gains mesurables sur les durées de séjour et les résultats patients, malgré l’absence de remboursement dédié. Enfin, PathAI, bien que positionnée en pathologie, offre un enseignement majeur : son partenariat stratégique avec Quest Diagnostics (acquisition des opérations CLIA et licence de la plateforme AISight en 2025) montre que l’adossement à un acteur industriel dominant peut constituer un levier décisif de diffusion à grande échelle et de sécurisation des revenus.


Conclusion :

L’IA en radiologie est marquée par un paradoxe majeur : une profusion d’innovations technologiques (plus de 1 000 algorithmes approuvés) coexiste avec des difficultés persistantes de validation clinique, d’intégration dans les pratiques réelles et de viabilité économique. Bien que les solutions soient majoritairement conçues par des équipes associant médecins et ingénieurs — avec une implication forte des radiologues tout au long du développement — les bénéfices cliniques restent hétérogènes et souvent limités à des cas d’usage très ciblés. Les preuves scientifiques souffrent encore de faiblesses méthodologiques et de problèmes de généralisation en conditions réelles.


Sur le plan économique, la rentabilité demeure exceptionnelle, HeartFlow faisant figure d’exception grâce à un remboursement institutionnel précoce, tandis que la majorité des startups restent dépendantes des levées de fonds faute de modèles de remboursement clairs. Pour les radiologues et les gestionnaires, une approche pragmatique s’impose : privilégier des solutions solidement validées, facilement intégrables et démontrant un ROI mesurable. À terme, le marché devrait se consolider autour de plateformes intégrées, l’avenir de l’IA en radiologie dépendant moins des progrès algorithmiques que de la capacité à démontrer une valeur clinique et économique réelle.


Références :


Assistance d'IA pour la rédaction et la suggestion de références, mais la réflexion et les choix restent ceux de l'auteur.

 
 
 

Commentaires

Noté 0 étoile sur 5.
Pas encore de note
Ajouter une note
bottom of page