Les 5 principaux avantages des rapports de radiologie assistés par l'IA en 2025

Alors que la radiologie continue d'évoluer à un rythme soutenu, l'intégration de l'intelligence artificielle (IA) dans le processus de reporting est devenue une thématique incontournable. En tant que professionnels de l'imagerie médicale, vous êtes confrontés quotidiennement à la nécessité d'une production rapide, précise et standardisée de comptes rendus. Les avancées technologiques de l'IA offrent des solutions prometteuses pour relever ces défis. En 2025, les avantages des rapports de radiologie assistés par l'IA sont plus concrets et mesurables que jamais, transformant radicalement le flux de travail des radiologues.

Cet article explore les cinq principaux bénéfices que l'IA apporte à la rédaction des comptes rendus radiologiques. Nous aborderons des gains de temps spectaculaires, une précision diagnostique accrue, une standardisation optimisée des rapports, une diminution notable de l'épuisement professionnel, et une rationalisation de l'ensemble du flux de travail, du dicté à la validation finale. Préparez-vous à découvrir comment l'IA peut révolutionner votre pratique quotidienne et améliorer la qualité des soins.

Avertissement : Cet article est destiné aux professionnels de la santé et de l'imagerie médicale à des fins d'information générale uniquement. Il ne constitue en aucun cas un avis médical, diagnostique ou thérapeutique, et ne doit pas être utilisé comme tel. Les informations présentées ici ne remplacent pas le jugement clinique d'un professionnel qualifié.

Définition et concepts clés des rapports de radiologie assistés par l'IA

Un rapport de radiologie assisté par l'IA désigne un compte rendu d'imagerie médicale dont la création, l'analyse ou la structuration bénéficie de l'intervention de systèmes d'intelligence artificielle. Ces systèmes exploitent des algorithmes d'apprentissage automatique (machine learning) et de traitement du langage naturel (TLN ou NLP pour Natural Language Processing) pour interpréter les dictées vocales des radiologues, extraire des informations pertinentes des images, et proposer des ébauches de rapports ou des suggestions de formulation.

Le TLN est au cœur de cette révolution. Il permet aux machines de comprendre, d'interpréter et de générer du langage humain, ce qui est crucial pour transformer les observations libres en textes structurés. Les modèles d'IA sont entraînés sur d'énormes corpus de comptes rendus radiologiques, apprenant ainsi les schémas, les terminologies et les structures typiques des rapports. Cela leur permet de reconnaître les pathologies, de quantifier les mesures, et même de détecter des anomalies subtiles qui pourraient échapper à l'œil humain, particulièrement en situation de fatigue.

La structuration des données est un autre concept essentiel. Traditionnellement, les rapports sont dictés de manière libre, ce qui peut rendre l'extraction d'informations pour la recherche ou l'analyse épidémiologique difficile. L'IA facilite la transformation de ces données non structurées en un format standardisé et exploitable, souvent conforme à des ontologies comme RadLex. Cette standardisation est fondamentale pour l'interopérabilité des systèmes et l'amélioration de la qualité des données médicales.

Indications cliniques et objectifs de l'IA en reporting radiologique

L'IA en radiologie s'applique à un large éventail d'indications cliniques, toutes visant à optimiser le processus de diagnostic. Ses objectifs primordiaux sont d'améliorer la rapidité et la précision des diagnostics, de réduire la variabilité inter-observateur, et de fournir un support précieux aux radiologues, notamment pour les examens complexes ou les volumes importants. L'intégration de l'IA ne vise pas à remplacer le radiologue, mais à augmenter ses capacités.

Les systèmes d'IA peuvent être particulièrement utiles dans les contextes où la rapidité est critique, comme les urgences (AVC, embolie pulmonaire) ou les dépistages (mammographie, nodules pulmonaires). Ils peuvent pré-analyser les images pour hiérarchiser les cas, suggérer des mesures, ou même aider à la détection de lésions difficiles à repérer. Par exemple, l'IA excelle dans la détection de petites lésions pulmonaires ou hépatiques, ou l'évaluation de la progression de maladies chroniques.

Les limites de l'IA résident principalement dans sa capacité à gérer des cas atypiques ou des situations cliniques complexes nécessitant une synthèse d'informations cliniques et radiologiques que seul l'humain peut réaliser. Les contre-indications sont rares, mais il est crucial de ne jamais laisser l'IA prendre une décision diagnostique finale sans la validation d'un radiologue expérimenté. L'objectif est toujours d'améliorer le processus, pas de le déshumaniser. L'IA doit être un outil d'aide à la décision et à la rédaction, et non un substitut au jugement clinique.

Techniques et protocoles d'imagerie impactés par l'IA

L'IA a un impact transversal sur presque toutes les modalités d'imagerie, de l'acquisition à l'interprétation. Les algorithmes peuvent optimiser les protocoles, améliorer la qualité des images, et surtout, faciliter l'analyse et la rédaction des comptes rendus.

IRM

En imagerie par résonance magnétique (IRM), l'IA peut optimiser les séquences d'acquisition pour réduire le temps d'examen, tout en maintenant ou en améliorant la qualité des images. Des algorithmes de reconstruction peuvent minimiser le bruit et les artefacts, permettant des résolutions plus fines. Pour le reporting, l'IA peut automatiquement segmenter des structures anatomiques (par exemple, des volumes cérébraux, des lésions hépatiques) et fournir des mesures précises. Elle peut également pré-remplir des sections du rapport avec des descriptions standardisées des séquences utilisées et des observations quantifiables. Le potentiel de l'IA pour le logiciel de dictée en radiologie est particulièrement pertinent ici, transformant le flux de travail.

TDM

En tomodensitométrie (TDM), l'IA est cruciale pour la réduction de la dose d'irradiation tout en maintenant une qualité diagnostique acceptable, un aspect essentiel conformément aux recommandations de l'Autorité de Sûreté Nucléaire (ASN) et de la Société Française de Radiologie (SFR). Des techniques de reconstruction itérative assistées par l'IA permettent d'obtenir des images de haute qualité à partir de données sous-échantillonnées. Pour le reporting, l'IA peut détecter des nodules pulmonaires, des calcifications coronariennes, des anévrismes, ou évaluer l'étendue de pathologies traumatiques. Elle peut automatiser la mesure des lésions et la comparaison avec des examens antérieurs, facilitant grandement le travail du radiologue.

Échographie / Radiographie / Médecine nucléaire

L'échographie bénéficie de l'IA pour la détection automatique de lésions (ex: nodules thyroïdiens, masses mammaires) et l'amélioration de la quantification des paramètres Doppler. En radiographie conventionnelle, l'IA aide à la détection de fractures, d'épanchements pleuraux, ou d'infiltrats pulmonaires, agissant comme un second lecteur. En médecine nucléaire, notamment avec la tomographie par émission de positons (TEP), l'IA optimise la segmentation des tumeurs, l'évaluation de la réponse thérapeutique et la réduction du bruit d'image, rendant les rapports plus précis et concis.

Interprétation et signes radiologiques améliorés par l'IA

L'apport de l'IA à l'interprétation radiologique est significatif, en particulier pour les tâches répétitives ou celles où la détection précoce est primordiale. L'IA ne remplace pas l'expertise humaine, mais la complète, en fournissant une "seconde opinion" rapide et objective.

Signes majeurs détectés et décrits par l'IA

L'IA est particulièrement performante pour la détection de signes majeurs et la quantification d'anomalies. Par exemple, elle peut identifier automatiquement des lésions focales hépatiques, des hypertrophies cardiaques, des anomalies de la substance blanche cérébrale, ou des signes d'arthrose. Une fois détectées, l'IA peut proposer une description standardisée de ces anomalies, incluant leur localisation, leur taille, leur morphologie et leur densité ou signal. Cette automatisation permet de garantir la cohérence des termes utilisés et la complétude des descriptions dans le compte rendu. Elle peut aussi mettre en évidence des modifications subtiles par rapport aux examens précédents, améliorant ainsi la surveillance des pathologies chroniques. Les avantages des rapports de radiologie assistés par l'IA sont donc clairs en termes de standardisation et de gain de temps.

Diagnostics différentiels et pièges avec l'aide de l'IA

Bien que l'IA ne pose pas de diagnostic différentiel à proprement parler, elle peut fournir des listes de possibilités basées sur les signes radiologiques identifiés et les données cliniques disponibles. Des systèmes avancés peuvent suggérer des diagnostics différentiels pertinents en se basant sur des milliers de cas similaires analysés. C'est un outil d'aide à la décision précieux pour le radiologue, notamment pour les pathologies rares ou les présentations atypiques. Les pièges liés à l'interprétation peuvent être en partie atténués par l'IA, qui, en étant entraînée sur un vaste ensemble de données, peut signaler des situations où une anomalie pourrait être mal interprétée ou confondue avec une variante anatomique normale. Elle aide à éviter les "misses" et à réduire les erreurs perceptuelles, surtout en fin de journée lorsque la fatigue s'installe. Cependant, le jugement final reste toujours celui du radiologue.

Qualité, sécurité, dose et rôle de l'IA

La qualité, la sécurité des patients et la gestion de la dose d'irradiation sont au cœur de la pratique radiologique. L'IA joue un rôle croissant dans l'optimisation de ces aspects.

En ce qui concerne la dose d'irradiation, en particulier en TDM, l'IA permet de réduire significativement les protocoles sans compromettre la qualité diagnostique. Des algorithmes de reconstruction à faible dose sont désormais monnaie courante, contribuant à la radioprotection des patients. Les recommandations de la SFR et de l'ESR (European Society of Radiology) insistent sur la justification et l'optimisation des examens, et l'IA est un levier puissant pour y parvenir. Pour plus d'informations sur les normes de radioprotection, la Société Française de Radiologie publie régulièrement des mises à jour essentielles.

La sécurité des patients est également renforcée par l'IA qui peut aider à détecter des contre-indications potentielles à l'examen (par exemple, des implants métalliques pour l'IRM), ou à prévenir des erreurs lors de l'administration de produits de contraste. Dans le contexte de la grossesse ou de la pédiatrie, où la sensibilité aux rayonnements est plus élevée, l'IA permet des examens à dose ultra-faible avec une fiabilité accrue, garantissant ainsi une prise en charge optimale sans risques inutiles.

L'IA contribue à la standardisation des comptes rendus, ce qui est un gage de qualité. En assurant que toutes les informations pertinentes sont incluses et présentées de manière cohérente, elle réduit la variabilité et facilite la compréhension pour les cliniciens. Cela permet une meilleure traçabilité et une évaluation plus facile de la qualité des rapports, s'alignant sur les exigences de la Haute Autorité de Santé (HAS) en matière de qualité des soins.

IA et automatisation du compte rendu : l'ère de l'efficacité

L'automatisation du compte rendu radiologique est l'un des avantages des rapports de radiologie assistés par l'IA les plus transformateurs. Elle permet aux radiologues de se concentrer sur l'analyse complexe et la prise de décision, plutôt que sur la tâche répétitive de la rédaction. Les systèmes d'IA peuvent générer des ébauches de rapports à partir des images et de la dictée vocale, intégrant les mesures, les descriptions standardisées et les comparaisons avec les examens antérieurs.

Le reporting structuré est au cœur de cette automatisation. Plutôt qu'une dictée libre, l'IA encourage et facilite la création de rapports conformes à des modèles prédéfinis. Cela améliore la lisibilité, la complétude et l'exploitabilité des données. Des vocabulaires contrôlés comme RadLex, et des standards d'interopérabilité comme DICOM, sont essentiels pour que l'IA puisse fonctionner efficacement et que les rapports soient compris par tous les systèmes. L'IA peut même suggérer des codes de facturation pertinents basés sur les conclusions du rapport, rationalisant ainsi l'aspect administratif.

L'exemple de Rad Report AI illustre parfaitement cette synergie. En transformant les dictées vocales non structurées en rapports formatés et structurés en quelques secondes, la plateforme réduit considérablement le temps passé à la rédaction. Elle comprend le langage médical, identifie les pathologies clés et met en évidence les éléments importants, offrant aux radiologues un gain de temps précieux et une précision accrue. Pour expérimenter cette efficacité et automatiser le reporting radiologique, n'hésitez pas à découvrir notre solution.

Workflow PACS/RIS et standardisation grâce à l'IA

L'intégration de l'IA dans le flux de travail radiologique (PACS/RIS) est essentielle pour maximiser ses bénéfices. Une IA isolée serait inefficace ; elle doit s'insérer de manière transparente dans les outils quotidiens des radiologues. La standardisation est la clé de cette intégration réussie, facilitant la collaboration et l'échange d'informations.

Les systèmes d'IA de reporting s'intègrent aux systèmes d'archivage et de communication d'images (PACS) pour accéder aux études, et aux systèmes d'information radiologique (RIS) pour les données démographiques et cliniques des patients. Cette intégration permet à l'IA de contextualiser ses analyses et de générer des rapports enrichis. Elle peut pré-remplir des champs de rapport à partir du RIS, ou récupérer des images clés depuis le PACS pour les inclure dans des mini-galeries intégrées au rapport (si le système le permet).

La standardisation des terminologies, comme RadLex, permet à l'IA de "parler le même langage" que le radiologue et les cliniciens. Des checklists de compte rendu peuvent être pré-implémentées dans les outils d'IA, assurant que tous les éléments nécessaires sont inclus pour chaque type d'examen. Cela garantit la complétude du rapport et réduit le risque d'oublis, améliorant la qualité globale des documents produits. La collaboration entre les radiologues, les techniciens et les cliniciens est fluidifiée par des rapports clairs, concis et structurés, facilement interrogeables et analysables. Le fait que l'IA comprenne et structure les comptes rendus dicteés peut améliorer considérablement ce workflow.

Cas cliniques types et l'apport de l'IA

Pour illustrer concrètement les avantages des rapports de radiologie assistés par l'IA, examinons quelques cas cliniques typiques où l'IA peut apporter une valeur ajoutée significative.

Cas 1 : Dépistage des nodules pulmonaires en TDM thoracique

Présentation : Patient fumeur de 60 ans, TDM thoracique de dépistage. Choix de la modalité : TDM thoracique basse dose. Apport de l'IA : Un algorithme d'IA peut analyser la TDM thoracique pour détecter automatiquement et mesurer les nodules pulmonaires, même les plus petits. Il peut les classer selon les critères de l'ACR Lung-RADS, suggérer une probabilité de malignité, et suivre leur évolution sur les examens ultérieurs. Angle de reporting : L'IA pré-remplit le rapport avec le nombre de nodules, leur taille, localisation et la catégorie Lung-RADS, permettant au radiologue de valider rapidement ces informations et de se concentrer sur l'interprétation des images complexes ou atypiques.

Cas 2 : Évaluation des AVC ischémiques aigus en IRM cérébrale

Présentation : Patient de 75 ans présentant des symptômes d'AVC aigu, IRM cérébrale en urgence. Choix de la modalité : IRM cérébrale avec séquences de diffusion, FLAIR, T2* et angiographie. Apport de l'IA : L'IA peut automatiquement segmenter les territoires ischémiques sur les séquences de diffusion et FLAIR, calculer le volume de l'infarctus et le volume du mismatch, et détecter les saignements sur T2*. Elle peut aussi identifier l'occlusion vasculaire sur l'angiographie. Angle de reporting : Le rapport est généré avec les mesures précises des volumes et la localisation des lésions, facilitant la prise de décision thérapeutique rapide par l'équipe neurologique. Le radiologue valide l'analyse de l'IA et ajoute les considérations cliniques.

Cas 3 : Caractérisation des lésions hépatiques en IRM

Présentation : Patient avec hépatopathie chronique, IRM hépatique pour surveillance. Choix de la modalité : IRM hépatique avec séquences multiparamétriques et injection de produit de contraste. Apport de l'IA : L'IA peut segmenter les lésions hépatiques, caractériser leur rehaussement et leur signal sur les différentes séquences, et les classer selon des systèmes comme LI-RADS. Elle peut aussi quantifier la stéatose et la fibrose hépatique. Angle de reporting : Le rapport pré-rempli par l'IA inclut la classification LI-RADS de chaque lésion, leur taille et leurs caractéristiques, ainsi que les mesures quantitatives du foie. Cela assure une description complète et conforme aux standards, réduisant le temps de rédaction et améliorant la cohérence des rapports.

Ces cas illustrent comment l'IA peut alléger la charge de travail, améliorer la précision et standardiser le reporting, permettant aux radiologues de se concentrer sur des tâches à plus forte valeur ajoutée.

Modèles de compte rendu et checklists pour l'efficacité

L'utilisation de modèles de compte rendu et de checklists est une pratique essentielle pour garantir la complétude et la cohérence des rapports radiologiques. L'IA facilite grandement l'adhésion à ces structures, transformant les dictées libres en documents standardisés.

Modèle de compte rendu TDM Thoracique (exemple simplifié)

• Examen : TDM thoracique sans injection (ou avec injection).
• Indication clinique : [À remplir]
• Technique : Acquisition volumique. Reconstruction axiale, coronale, sagittale. Faible dose si applicable.
• RÉSULTATS :
  • Paroi thoracique : [Normal / Anomalie]
  • Plèvre : [Pas d'épanchement / Épanchement minime...]
  • Parenchyme pulmonaire :
    • Lobes supérieurs : [Nodules, infiltrats...]
    • Lobes moyens/inférieurs : [Nodules, infiltrats...]
    • Caractérisation nodules (si présents) : Taille, densité, localisation, évolution. (L'IA peut ici pré-remplir.)
  • Médiastin : [Adénopathies, masse médiastinale...]
  • Cœur et gros vaisseaux : [Calcifications coronariennes, taille des cavités, anévrisme aortique...]
  • Abdomen supérieur : [Foie, surrénales visibles...]
  • Squelette visible : [Lésions osseuses...]
• CONCLUSION : [Synthèse des findings majeurs et diagnostic / Suggestion]
• Comparaison : [Avec examen du JJ/MM/AAAA]

Checklist générale pour un rapport de qualité

1. L'indication clinique est-elle clairement énoncée ?
2. La technique d'examen est-elle décrite avec précision ?
3. Toutes les structures anatomiques pertinentes ont-elles été examinées et décrites ?
4. Les anomalies sont-elles clairement identifiées, localisées et mesurées ?
5. Les termes médicaux sont-ils précis et cohérents (RadLex si possible) ?
6. Y a-t-il une comparaison avec les examens antérieurs si disponibles ?
7. La conclusion est-elle concise et répond-elle à la question clinique ?
8. Les diagnostics différentiels pertinents sont-ils mentionnés si nécessaire ?
9. Des recommandations pour des examens complémentaires sont-elles formulées si indiqué ?
10. Le rapport est-il exempt de fautes d'orthographe et de grammaire ? (L'IA est d'une grande aide ici.)

L'IA peut pré-remplir la plupart de ces sections et vérifier la complétude du rapport par rapport à la checklist. Cela garantit une haute qualité et une grande efficacité dans la production des comptes rendus. C'est l'un des moyens les plus directs de bénéficier des avantages des rapports de radiologie assistés par l'IA.

FAQ : Questions fréquentes sur l'IA et les rapports radiologiques

Voici des réponses concises aux questions fréquemment posées concernant l'IA et l'automatisation des comptes rendus en radiologie.

L'IA va-t-elle remplacer les radiologues pour la rédaction des rapports ?

Non, l'IA ne remplacera pas les radiologues. Elle est conçue comme un outil d'assistance pour augmenter l'efficacité, la précision et la standardisation des rapports. Le jugement clinique, la synthèse d'informations complexes et la communication avec les cliniciens restent le domaine exclusif du radiologue.

Quelle est la précision des rapports générés par l'IA ?

La précision des rapports générés par l'IA dépend de la qualité des données d'entraînement et de la complexité de l'algorithme. Les systèmes modernes atteignent une très grande précision pour les tâches répétitives et la détection d'anomalies bien définies, mais nécessitent toujours une validation humaine pour les cas plus subtils ou atypiques.

Comment l'IA aide-t-elle à réduire l'épuisement professionnel des radiologues ?

L'IA réduit l'épuisement professionnel en automatisant les tâches répétitives et chronophages comme la saisie de données, la mesure de lésions ou la structuration des rapports. Cela libère du temps pour le radiologue, lui permettant de se concentrer sur des tâches à plus forte valeur ajoutée et de réduire la charge mentale associée à un volume de travail élevé.

L'IA peut-elle s'adapter à mon style de dictée personnel ?

Les systèmes d'IA de traitement du langage naturel sont conçus pour être flexibles. Ils s'adaptent progressivement à votre vocabulaire et à votre style de dictée, apprenant de vos corrections et de vos préférences pour améliorer la personnalisation des rapports. Les modèles sont de plus en plus sophistiqués pour gérer la variabilité individuelle.

Quels sont les coûts d'intégration de l'IA dans un service de radiologie ?

Les coûts d'intégration varient considérablement en fonction de la solution choisie, du niveau de personnalisation et de l'infrastructure existante. Il est important de considérer l'investissement initial par rapport aux gains de productivité et d'efficacité à long terme, qui peuvent justifier largement ces coûts. Un gain de temps sur chaque compte rendu se traduit par des économies significatives à l'échelle d'un service.

La confidentialité des données est-elle garantie avec l'IA ?

Oui, la confidentialité des données est une priorité absolue. Les solutions d'IA destinées au secteur médical respectent des réglementations strictes comme le RGPD en Europe. Les données sont généralement anonymisées ou pseudonymisées, et les systèmes sont conçus avec des mesures de sécurité robustes pour protéger les informations des patients.

L'IA est-elle utile pour toutes les modalités d'imagerie ?

Oui, l'IA trouve des applications dans pratiquement toutes les modalités : IRM, TDM, échographie, radiographie et médecine nucléaire. Son rôle peut varier (détection, mesure, structuration), mais l'objectif est toujours d'optimiser le processus d'interprétation et de reporting, apportant des bénéfices sur l'ensemble du spectre de l'imagerie médicale.

Glossaire : Termes clés en IA et radiologie

• IA (Intelligence Artificielle) : Ensemble de théories et de techniques visant à simuler des fonctions cognitives humaines, comme l'apprentissage et la résolution de problèmes.
• Apprentissage Automatique (Machine Learning) : Sous-domaine de l'IA permettant aux systèmes d'apprendre à partir de données sans être explicitement programmés.
• Traitement du Langage Naturel (TLN / NLP) : Domaine de l'IA permettant aux machines de comprendre, d'interpréter et de générer du langage humain.
• Rapport Structuré : Compte rendu organisé selon un format prédéfini avec des champs spécifiques, facilitant l'extraction de données.
• PACS (Picture Archiving and Communication System) : Système informatique d'archivage et de communication des images médicales.
• RIS (Radiology Information System) : Système d'information gérant les flux de travail administratifs et cliniques d'un service de radiologie.
• RadLex : Vocabulaire contrôlé et ontologie développé par la RSNA pour la radiologie, améliorant la standardisation des termes.
• DICOM (Digital Imaging and Communications in Medicine) : Standard international pour la gestion et la transmission d'images médicales et des informations associées.
• Algorithme : Séquence d'instructions ou de règles pour résoudre un problème ou effectuer une tâche.
• Détection Assistée par Ordinateur (DAO / CAD) : Outil logiciel qui aide les radiologues à détecter des anomalies potentielles sur les images.
• Segmentation : Processus de délimitation de structures anatomiques ou de lésions sur une image.
• Epuisement Professionnel (Burnout) : Syndrome d'épuisement physique, émotionnel et mental causé par un stress professionnel chronique.
• Validation Humaine : Étape cruciale où un professionnel de la santé examine et approuve les résultats ou les suggestions générés par un système d'IA.
• Radioprotection : Ensemble des mesures visant à protéger les personnes des effets nocifs des rayonnements ionisants.
• Interoperabilité : Capacité de différents systèmes informatiques à communiquer et à échanger des données de manière efficace et intelligible.

Conclusion

En 2025, les avantages des rapports de radiologie assistés par l'IA ne sont plus une perspective lointaine, mais une réalité palpable et intégrée dans de nombreux services d'imagerie. L'IA offre des gains de temps considérables en automatisant les tâches répétitives, une précision accrue dans la détection et la mesure des lésions, et une standardisation indispensable des rapports qui améliore la communication clinique et la qualité des soins. Elle contribue également à réduire l'épuisement professionnel des radiologues en allégeant leur charge de travail, et à rationaliser l'ensemble du flux de travail radiologique de bout en bout.

L'IA n'est pas là pour remplacer l'expertise humaine, mais pour la magnifier, offrant aux radiologues des outils puissants pour une pratique plus efficiente et plus satisfaisante. Adopter ces technologies, c'est investir dans l'avenir de la radiologie et dans l'amélioration continue des diagnostics. Pour découvrir comment Rad Report AI peut transformer votre pratique et vous permettre de générer des comptes rendus radiologiques plus rapidement et avec une précision inégalée, nous vous invitons à essayer notre solution dès aujourd'hui et à faire l'expérience des bénéfices concrets de l'IA.