Imaginez un instant : vous passez une IRM, l’examen révèle une petite anomalie dans votre cerveau, et pourtant, cette structure n’a jamais existé. Elle n’est le fruit ni d’une maladie ni d’un défaut de la machine, mais d’un algorithme d’intelligence artificielle qui, au moment de reconstruire l’image, a tout bonnement décidé d’ajouter quelque chose. Ce scénario, qui ressemble à un récit de science-fiction, vient d’être documenté par des chercheurs. Et il soulève un vertige légitime : jusqu’où peut-on faire confiance à des images médicales façonnées par des machines ? Plongée dans un phénomène aussi fascinant qu’inquiétant, à la frontière entre prouesse technologique et illusion pure.

Ces images qui montrent ce que le corps ne contient pas

Pour comprendre l’ampleur du problème, il faut d’abord saisir comment fonctionne une IRM moderne. Une machine d’imagerie par résonance magnétique ne produit pas directement une belle image nette. Elle récolte des données brutes, une sorte de matière première mathématique, souvent incomplète, qu’il faut ensuite transformer en une image lisible par le radiologue. Traditionnellement, cette reconstruction reposait sur des méthodes purement mathématiques. Désormais, l’intelligence artificielle s’en charge de plus en plus, car elle permet d’accélérer les examens et d’obtenir des clichés plus détaillés à partir de moins de données.

C’est précisément là que le bât blesse. En analysant des IRM reconstruites par ces modèles, des chercheurs ont mis en évidence un phénomène troublant : certains algorithmes ajoutent sur les images des structures anatomiques absentes des données brutes. En d’autres termes, l’IA ne se contente pas de reconstituer ce qui existe : elle invente. On parle alors d’artefacts hallucinés, des détails qui apparaissent à l’écran alors qu’ils ne correspondent à rien de réel dans le corps du patient.

Pourquoi une IA « invente » des détails anatomiques

Pour comprendre cette dérive, une métaphore s’impose. Imaginez un peintre à qui l’on demande de compléter un tableau dont il ne verrait qu’une partie. Fort de son expérience, il va combler les zones manquantes avec ce qu’il pense être le plus vraisemblable. Un modèle d’IA fonctionne un peu de la même manière : entraîné sur des milliers d’images, il apprend à quoi ressemble un corps humain « normal » et, face à des données incomplètes, il remplit les blancs avec ce qui lui paraît probable.

Le problème, c’est que cette logique de vraisemblance n’a rien à voir avec la vérité anatomique du patient examiné. L’algorithme privilégie une image esthétiquement crédible plutôt qu’une image fidèle. Il peut ainsi lisser une lésion réelle en la jugeant improbable, ou au contraire faire surgir une structure inexistante parce qu’elle « colle » à ce qu’il a appris. Ces hallucinations sont d’autant plus perverses qu’elles sont souvent invisibles à l’œil nu : l’image finale paraît parfaitement nette, convaincante, digne de confiance.

Le diagnostic médical face à un risque invisible

C’est bien là que réside le danger le plus concret. Un radiologue s’appuie sur ces images pour poser un diagnostic, orienter un traitement, décider d’une opération. Si l’IA a fait disparaître une tumeur naissante ou, à l’inverse, dessiné une anomalie fantôme, les conséquences peuvent être graves : examens inutiles, retards de prise en charge, voire interventions injustifiées. Le patient, lui, n’a aucun moyen de soupçonner que l’image qui décide de son sort a été partiellement inventée.

Ce risque est d’autant plus insidieux qu’il joue sur la confiance. Une image floue ou manifestement défectueuse alerterait immédiatement le praticien. Mais une image parfaitement lisse, produite par un algorithme performant, inspire naturellement la confiance. C’est tout le paradoxe : plus la reconstruction est belle, plus elle peut masquer sa propre part d’illusion. Le péril n’est donc pas visible, il est silencieux.

Vers des reconstructions fiables : ce que proposent les chercheurs

Face à ce constat, l’idée n’est évidemment pas d’abandonner l’intelligence artificielle, dont les bénéfices en imagerie médicale restent considérables. La piste privilégiée consiste plutôt à concevoir des modèles capables de signaler leur propre incertitude. Autrement dit, une IA qui, au lieu de combler aveuglément les zones manquantes, indiquerait au radiologue : « ici, je ne suis pas sûre de moi ». Ces cartes d’incertitude permettraient de repérer les régions potentiellement hallucinées.

D’autres approches visent à mieux ancrer la reconstruction dans les données brutes réelles, en obligeant l’algorithme à rester fidèle à ce qui a effectivement été mesuré, plutôt que de s’appuyer excessivement sur ce qu’il a appris. Enfin, le développement de tests rigoureux, conçus pour détecter ces artefacts avant tout usage clinique, apparaît comme une étape indispensable. L’objectif est clair : garantir qu’une image médicale reste avant tout le reflet du patient, et non celui des habitudes statistiques d’une machine.

Cette découverte nous rappelle une vérité essentielle : une image n’est jamais neutre, surtout lorsqu’elle est fabriquée par un algorithme. L’intelligence artificielle transforme la médecine à une vitesse fulgurante, mais elle nous impose aussi une vigilance nouvelle. Entre l’efficacité promise et la fiabilité exigée, la radiologie de demain devra apprendre à conjuguer performance et prudence. Et si la vraie intelligence, finalement, consistait à savoir reconnaître ce que l’on ne sait pas ?