Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research

Cette analyse scientométrique de 928 études sur l'IA appliquée aux radiographies thoraciques révèle une domination écrasante des pays à revenu élevé dans la production scientifique et la constitution des jeux de données, soulignant le risque d'exacerber les inégalités de santé en raison du manque de diversité dans les populations représentées.

L'essentiel

🏥 L'histoire du "Médecin Robot" qui ne connaît que les riches

Imaginez que des ingénieurs du monde entier construisent un médecin robot très intelligent. Ce robot doit apprendre à lire des radios de poumons (les rayons X) pour détecter des maladies comme la tuberculose ou la pneumonie. L'idée est géniale : ce robot pourrait aider des millions de personnes, surtout là où il n'y a pas assez de vrais médecins.

Mais pour que ce robot soit vraiment intelligent et juste, il faut le nourrir avec des "leçons" (des données) venant de toutes les populations du monde, pas seulement d'un seul endroit.

C'est là que cette étude (un gros rapport d'enquête) a regardé ce qui se passe réellement entre 2017 et 2025. Et la nouvelle est un peu inquiétante.

🌍 1. Qui tient les rênes ? (Les chefs de projet)

Imaginez une grande école de cuisine où l'on apprend à faire des gâteaux pour le monde entier.

• La réalité : Dans cette école, 95% des chefs cuisiniers (les auteurs principaux) viennent de pays très riches (comme les États-Unis, la Chine, la Corée du Sud).
• Le problème : Personne, ou presque, ne vient des pays pauvres. C'est comme si vous essayiez de créer un menu pour toute l'Afrique, mais que seuls des chefs de Paris et de New York décidaient de ce qu'on mange.
• Le résultat : Les décisions sur ce que le robot doit apprendre sont prises par des gens qui ne vivent pas les mêmes réalités que les patients dans les pays en développement.

📸 2. De quoi le robot apprend-il ? (Les photos d'entraînement)

Pour apprendre à un robot à reconnaître un chat, vous lui montrez des milliers de photos de chats. Pour apprendre à un robot à lire une radio, il faut lui montrer des milliers de radios de patients.

• La réalité : Les photos utilisées pour entraîner le robot viennent à 73% des pays riches.
• L'analogie : C'est comme si vous vouliez apprendre à un chien à chasser dans la jungle amazonienne, mais que vous ne lui aviez montré que des photos de chats dans des appartements parisiens.
• Le danger : Quand ce robot sera envoyé dans un hôpital en Afrique ou en Asie du Sud-Est, il risque de faire des erreurs. Pourquoi ? Parce que les poumons des gens, les maladies locales et la qualité des machines à rayons X sont différents de ceux des pays riches. Le robot sera "confus".

🤝 3. Qui travaille ensemble ? (Les équipes)

Dans un projet idéal, les experts des pays riches et ceux des pays pauvres travailleraient main dans la main, comme des coéquipiers égaux.

• La réalité : C'est très rare. Seulement 4% des projets sont des collaborations entre un pays riche et un pays plus pauvre.
• L'image : C'est comme si les pays riches construisaient le robot dans leur garage, et qu'ils demandaient aux pays pauvres de venir juste pour "prêter" leurs photos, sans avoir le droit de participer à la construction ou à la direction du projet.

💡 Pourquoi est-ce grave ?

Si nous continuons comme ça, nous risquons de créer une injustice médicale.

• Le robot fonctionnera très bien pour les gens aux États-Unis ou en Europe.
• Mais il sera moins fiable, voire dangereux, pour les gens qui en ont le plus besoin (les pays pauvres où les maladies respiratoires tuent beaucoup de monde).

C'est comme donner un parapluie fabriqué pour la pluie légère de Londres à quelqu'un qui vit sous une mousson tropicale : ça ne tiendra pas.

🚀 Que faut-il faire ?

Les auteurs du rapport disent qu'il faut changer les règles du jeu :

1. Inviter tout le monde à la table : Il faut que des chercheurs des pays pauvres soient les chefs de projet, pas juste des assistants.
2. Partager les photos : Il faut créer des banques de données (des albums photos) qui incluent des gens de partout, et les rendre gratuits pour tout le monde.
3. Travailler ensemble : Les pays riches doivent aider les pays pauvres à avoir les outils informatiques pour construire leur propre intelligence artificielle, plutôt que de tout faire pour eux.

En résumé : Pour que l'intelligence artificielle médicale soit un super-héros pour l'humanité entière, elle doit être construite par l'humanité entière, et pas seulement par une petite partie d'elle.

Résumé technique

Titre

Qui dirige l'IA médicale ? Une revue systématique et une analyse scientométrique de la recherche sur les radiographies thoraciques.

1. Problématique

L'intelligence artificielle (IA), et plus spécifiquement la vision par ordinateur (CV), offre un potentiel considérable pour transformer le diagnostic médical via l'interprétation automatisée des radiographies thoraciques (CXR). Cependant, la valeur clinique de ces technologies dépend de leur capacité à fonctionner de manière fiable sur des populations diverses.

Le problème central identifié par les auteurs est l'existence d'un « fossé de généralisabilité » (generalizability gap). De nombreux systèmes d'IA sont entraînés sur des données biaisées provenant de contextes spécifiques (généralement des pays à revenu élevé), ce qui entraîne une dégradation des performances lorsqu'ils sont déployés dans des environnements différents, en particulier dans les pays à revenu faible ou intermédiaire (PFR/PRI). Ces disparités risquent d'exacerber les inégalités sanitaires mondiales, alors même que le fardeau des maladies respiratoires est souvent plus lourd dans les régions sous-représentées dans la recherche.

2. Méthodologie

Les auteurs ont mené une revue systématique couplée à une analyse scientométrique pour cartographier le paysage global de la recherche sur la vision par ordinateur appliquée aux radiographies thoraciques.

• Période d'étude : Publications entre 2017 et 2025 (note : le manuscrit indique une date de dépôt future en 2026, suggérant une projection ou une erreur de date dans le préprint, mais la méthodologie couvre cette fenêtre).
• Sources de données : Recherche systématique dans PubMed, Embase et SciELO.
• Critères d'inclusion : Articles de revues et conférences à comité de lecture, utilisant des modèles de vision par ordinateur (ou multimodaux) sur les CXR. Les prépublications, les revues de littérature et les études sans modèles CV ont été exclus.
• Échantillon final : Après un processus de sélection rigoureux (méthode PRISMA 2020), 928 études ont été retenues pour l'analyse quantitative.
• Analyse des données :
  • Utilisation de l'API Dimensions et extraction manuelle pour récupérer les affiliations des auteurs (premier et dernier auteur), les institutions, les pays et les sources de données.
  • Classification des pays selon les catégories de revenu de la Banque mondiale (Faible, Moyen-Faible, Moyen-Élevé, Élevé).
  • Normalisation des résultats par population, PIB et investissement en R&D pour une comparaison équitable.

3. Contributions Clés

Cette étude apporte une analyse quantitative inédite sur les disparités structurelles dans le développement de l'IA médicale :

1. Cartographie de la leadership : Identification précise de qui dirige la recherche (auteurs) et d'où proviennent les données.
2. Analyse des collaborations : Évaluation de la fréquence des partenariats internationaux, en particulier entre pays à revenu élevé et pays à revenu faible/intermédiaire.
3. Provenance des données : Audit de l'origine géographique des jeux de données utilisés pour l'entraînement des modèles.
4. Mise en évidence des biais systémiques : Démonstration de la corrélation entre l'origine des données et l'affiliation des auteurs, créant un écosystème fermé.

4. Résultats Principaux

• Dominance des pays à revenu élevé (HIC) :

  • Les auteurs de pays à revenu élevé dominent la recherche : 55,6 % des premiers auteurs et 59,7 % des derniers auteurs (auteurs seniors).
  • Chine (16,93 %) et les États-Unis (16,72 %) sont les leaders en nombre de publications en tant que premiers auteurs.
  • Absence totale d'auteurs principaux (premiers auteurs) affiliés à des pays à faible revenu.

• Disparités dans les jeux de données :

  • 73,6 % des jeux de données proviennent de pays à revenu élevé.
  • Les États-Unis sont le plus grand contributeur unique (40,45 %).
  • Les jeux de données privés sont les plus utilisés (20,52 %), limitant la transparence et la validation externe.
  • Les jeux de données provenant de pays à revenu faible ou intermédiaire sont marginaux.

• Collaborations internationales limitées :

  • Les collaborations croisées entre pays à revenu élevé et pays à revenu faible/intermédiaire sont rares (3,9 % des publications).
  • La majorité des collaborations (53,43 %) se font entre institutions de pays à revenu élevé.

• Boucle de rétroaction des inégalités :

  • Une forte corrélation existe entre l'origine des données et l'affiliation des auteurs. Par exemple, 51,38 % des études utilisant des données de pays à revenu élevé sont menées par des auteurs de pays à revenu élevé.
  • Seule une infime fraction (2,65 %) des études utilisant des données de pays à revenu intermédiaire-bas sont menées par des auteurs de ces mêmes régions.

5. Signification et Implications

Les résultats révèlent un écosystème de recherche déséquilibré qui menace l'équité de l'IA médicale :

• Risque de biais algorithmique : Les modèles entraînés sur des données majoritairement américaines et chinoises risquent de mal performer sur des populations de pays à revenu faible, où la prévalence de maladies comme la tuberculose ou la pneumonie est élevée.
• Perte de souveraineté des données : Les chercheurs des pays en développement sont souvent exclus du processus de conception, réduisant leur rôle à de simples fournisseurs de données brutes plutôt qu'à des co-créateurs de solutions.
• Appel à l'action : L'article plaide pour des réformes structurelles, notamment :
  • Le développement de jeux de données ouverts et diversifiés géographiquement.
  • L'établissement de partenariats internationaux équitables où les chercheurs des pays à revenu faible/intermédiaire sont des leaders à part entière.
  • Des politiques de financement et de publication favorisant la diversité des auteurs et la collaboration inter-revenus.

En conclusion, pour que l'IA médicale réalise sa promesse d'améliorer l'accès aux soins mondiaux, la communauté scientifique doit corriger activement ces déséquilibres structurels et démocratiser la production de connaissances et de données.