Trois fonctions principales structurent les usages actuels de l’intelligence artificielle en urologie : la détection diagnostique, l’aide à la décision et l’accompagnement interventionnel. Parmi les techniques mobilisées, le deep learning se distingue par sa capacité à traiter directement les données brutes, sans sélection préalable des variables.

En urologie, c’est l’imagerie diagnostique qui concentre les développements les plus visibles de l’IA. Les réseaux de neurones convolutifs améliorent la détection des lésions invisibles à l’œil humain. Ils s’appliquent notamment à l’IRM prostatique et à la cystoscopie. Dans le cancer de la prostate, des systèmes d’IA d’aide au diagnostic basés sur l’analyse d’images multiparamétriques ou histologiques permettent de distinguer les formes cliniquement significatives et d’améliorer la stratification du risque (1). Les performances diagnostiques dépassent 0,85 d’AUC (aire sous la courbe ROC) pour les cancers urologiques. Certaines atteignent même 0,99 (2). Une étude récente a confirmé cette tendance, avec une AUC de 0,945 pour un modèle combinant réseau de neurones convolutifs (CNN) et mémoire à long terme (LSTM) appliqué à l’IRM multiparamétrique de la prostate (3).

Même si certaines de ces approches sont déjà testées cliniquement, la plupart en sont encore au stade exploratoire. Le champ ouvert est stimulant, pour la recherche comme pour la clinique. Comme l’a rappelé Zine-Eddine Khene, responsable de la commission IA à l’Association française d’urologie, lors des JITTU 2025, les algorithmes sont désormais capables d’analyser automatiquement une cystoscopie et d’identifier les tumeurs vésicales en temps réel, ce qui constitue une avancée importante.

Quand l’IA explore les fonctions reproductives

Dans la reproduction masculine, Prediction One (Sony), un outil d’apprentissage automatique sans codage requis, a prédit avec une précision de 74,42 % le risque d’infertilité à partir des taux hormonaux sériques seuls. Il a aussi atteint un taux de concordance de 100 % pour les cas d’azoospermie non obstructive en 2021 et 2022 (4).

Bien que ces modèles aient été construits à partir de données biologiques homogènes, leur logique s’applique à des ensembles de données plus complexes. Plus largement, l’IA permet d’exploiter des sources hétérogènes – cliniques, biologiques, radiologiques. Mais Zine-Eddine Khene insiste sur un point : « On peut construire avec l’IA des modèles prédictifs très puissants à partir de simples tableurs Excel ou d’images radiologiques, à condition d’avoir des données bien structurées. »

Dans ce champ, plusieurs limites spécifiques ont été identifiées, notamment la forte variabilité inter-centres des protocoles et la rareté relative des données, qui compliquent la reproductibilité à grande échelle (6). Des perspectives se dessinent également dans l’analyse automatisée des images embryonnaires et la prédiction du succès des cycles de fécondation in vitro (6).

Aide à la décision clinique

Au-delà des applications spécifiques à la reproduction, l’intelligence artificielle soutient également la prise de décision thérapeutique dans les pathologies urologiques les plus fréquentes.

L’aide à la décision thérapeutique repose sur des modèles croisant données cliniques, biologiques et radiologiques. Dans les cancers urologiques, ces outils permettent de modéliser des trajectoires évolutives (par exemple la probabilité de récidive) et de prédire les réponses aux traitements. Pour le cancer de la vessie, l’analyse radiomique assistée par IA anticipe les récidives et guide la stratégie chirurgicale ou systémique (2). En urologie fonctionnelle, des modèles permettent une lecture standardisée des bilans urodynamiques, réduisant la variabilité inter-observateur (5). Cette capacité à intégrer des sources variées suppose un travail important de normalisation. « La principale difficulté aujourd’hui, c’est la normalisation des données. Chaque image médicale est différente selon les machines, les protocoles, les centres », observe Zine-Eddine Khene.

Bloc opératoire et robots : vers une synergie homme-machine

Au bloc opératoire, l’IA est intégrée à la chirurgie robotique pour l’aide à la reconnaissance anatomique, à la navigation et à l’évaluation des gestes techniques. En prostatectomie radicale, la segmentation tissulaire en temps réel permet d’assister la préservation des bandelettes neurovasculaires. Par ailleurs, des modèles de langage spécialisés à l’instar d’UroBot (voir encadré), entraînés sur les recommandations européennes, peuvent répondre à des questions de spécialité avec des taux de réussite supérieurs à ceux des urologues en exercice (7). Pour Zine-Eddine Khene, « les modèles de langage comme UroBot ne remplaceront pas le clinicien, mais ils peuvent renforcer son expertise, à condition d’être correctement encadrés. »

L’IA au service de la formation

Au-delà des usages cliniques, l’IA commence aussi à transformer les pratiques pédagogiques, notamment dans la formation chirurgicale.

L’étude bibliométrique de Deniz et Kayra (8) souligne un intérêt croissant pour l’intégration de l’IA dans la formation des chirurgiens urologues, notamment via l’analyse automatisée des vidéos opératoires et l’évaluation des compétences techniques. Ces usages pédagogiques permettent d’objectiver les gestes et de structurer les parcours d’apprentissage.

Ils s’accompagnent aussi d’innovations dans l’évaluation théorique : un essai prospectif a montré que des QCM générés par une IA amélioraient significativement la performance des internes, en couvrant de manière pertinente les attendus de compétence (9).

Cette dynamique se reflète également dans les publications scientifiques. Parmi les 100 articles les plus cités entre 2018 et 2024 par Deniz et Kayra, la majorité porte sur l’oncologie (prostate, vessie), suivie par les soins aux patients, les maladies lithiasiques, l’andrologie et la chirurgie robotique. Ces publications sont majoritairement issues d’équipes nord-américaines et européennes.

Parallèlement, l’urologie pédiatrique bénéficie d’un effort de structuration avec la création d’un référentiel vivant recensant les modèles disponibles, témoignant d’une amélioration progressive de leur qualité et de leur diversité (10).

Des conditions d’intégration à parfaire

Malgré cette dynamique, plusieurs obstacles techniques freinent encore l’intégration de l’intelligence artificielle en urologie. Outre l’hétérogénéité des données, l’absence de validation externe et la faible interopérabilité des systèmes hospitaliers limitent la reproductibilité et la généralisation des modèles (6). Ces contraintes ralentissent leur déploiement à grande échelle (8).

Des freins cliniques s’ajoutent à ces limites structurelles. L’usage en pratique courante reste difficile, en partie à cause de l’opacité des modèles, de leur faible généralisation hors des jeux de données initiaux, et de l’absence de validation multicentrique (6).

Enfin, plusieurs défis éthiques sont régulièrement soulignés : opacité des systèmes, responsabilité médicale, biais algorithmiques, protection des données sensibles. Ces dimensions appellent à une vigilance accrue et à l’adoption de cadres normatifs internationaux, tels que ceux proposés par l’OMS, l’ISO ou le référentiel DECIDE-AI (11).

En résumé, l’intelligence artificielle ne remplace pas l’expertise médicale, elle l’étaye. Sa bonne intégration nécessite quatre conditions : la transparence des algorithmes, la validation continue, la formation des professionnels et un encadrement éthique rigoureux.

Zine-Eddine Khene ajoute : « L’intelligence artificielle est un outil puissant, mais elle ne vaut que par la qualité des données, la rigueur de son encadrement, et la capacité des cliniciens à s’en emparer de façon critique. »

Ce n’est que par la prise en compte de ces paramètres que l’IA pourra réellement contribuer à fiabiliser les décisions, réduire les inégalités d’accès aux soins spécialisés et renforcer la pertinence des parcours. Elle ne vise pas à automatiser la médecine, mais à la rendre plus robuste.

Pierre Derrouch