IA en radiologie en Algérie : comment les CHU bâtissent l’imagerie diagnostique

Une révolution silencieuse dans le réseau des CHU

Entrez dans l’un des 15 Centres Hospitalo-Universitaires d’Algérie — du CHU Mustapha Pacha à Alger au CHU Issaad Hassani de Beni Messous, en passant par le CHU Frantz Fanon de Blida ou le CHU d’Oran — et vous y verrez la même scène : des files d’attente pour les scanners thoraciques, mammographies et IRM cérébrales, et un petit nombre de radiologues qui tentent d’interpréter des centaines d’examens par jour. Selon le panorama du système de santé algérien compilé par Wikipédia, le pays gère 586 établissements de santé publics, dont 15 CHU et 83 EHS qui concentrent l’essentiel des volumes d’imagerie diagnostique avancée. Cette asymétrie — gros volumes, peu de spécialistes — est exactement le profil de flux que l’IA radiologique a été conçue pour soutenir.

Ce qui est véritablement nouveau en 2026, c’est que les algorithmes qui assurent ce soutien sont de plus en plus conçus et validés en Algérie. Le CDTA (Centre de Développement des Technologies Avancées) à Alger dispose d’une équipe BIOSMC qui a travaillé sur la segmentation et la mesure automatique des zones pulmonaires sur images de scanner, à l’origine pour le tri COVID-19, puis adaptable à la radiologie pulmonaire plus large. La division « Systèmes d’Information et Systèmes Multimédia » du CERIST, dirigée par Abdelkrim Meziane, pilote le projet DIAG — un outil d’IA et de réalité virtuelle qui, selon les déclarations publiques de l’équipe, peut détecter les zones pulmonaires atteintes en moins de 30 secondes, développé conjointement avec la Faculté de Médecine de l’Université d’Alger 1.

Ce ne sont pas des solutions importées. Ce sont des modèles entraînés et maintenables localement — et ils se trouvent à une seule décision administrative d’être déployés au chevet du patient.

Pourquoi 2026 est le point d’inflexion

Trois éléments ont basculé au cours des douze derniers mois et font de ce moment le bon pour passer à l’échelle. Premièrement, le cadre national est désormais explicite. Lors d’une réunion gouvernementale du 25 mai 2026 présidée par le Premier ministre Sifi Ghrieb, l’exécutif a passé en revue les six piliers de la Stratégie Nationale d’IA — recherche, compétences, infrastructure, écosystème, réglementation et secteurs prioritaires — et réaffirmé la santé comme secteur prioritaire aux côtés de l’agriculture et de l’énergie. La stratégie est désormais en mise en œuvre active sous la Haute-Commissaire à la Numérisation Meriem Benmouloud, avec un Conseil de l’IA qui conseille sur la politique transsectorielle.

Deuxièmement, la courbe de financement a tourné. Le marché algérien de l’IA devrait passer de 498,9 millions de dollars en 2025 à 1,69 milliard de dollars en 2030, soit un taux de croissance annuel composé de 27,67 % selon l’analyse approfondie de TechAhub sur l’IA en Algérie. La santé est régulièrement citée comme verticale prioritaire car le modèle de payeur public lève la complexité de facturation au patient qui a freiné l’adoption de l’IA radiologique dans les marchés privés fragmentés.

Troisièmement, le manuel mondial de la radiologie a mûri. Selon la revue sectorielle 2026 de Satmed Health, la FDA a désormais autorisé plus de 1 000 dispositifs médicaux IA/ML, dont environ 75 % en radiologie, et les schémas d’architecture ont convergé sur le traitement « zero-click » en arrière-plan via messages HL7 ORU, routage DICOMweb et API FHIR. Cette convergence signifie que les équipes algériennes n’ont plus à inventer les schémas d’intégration ; elles peuvent les adopter.

La combinaison — mandat politique explicite, marché en expansion, schémas d’intégration mûrs — est ce qui crée la fenêtre 2027.

La base de recherche locale produit déjà

Les briques d’une plateforme nationale d’IA radiologique existent. Elles ne sont simplement pas encore connectées. Une cartographie courte et non exhaustive de ce qui tourne déjà dans les laboratoires algériens :

• CDTA (Alger) — Équipe BIOSMC sur la segmentation CT ; équipe IRVA (sous la chercheuse Kahina Amara) sur la détection de tumeurs cérébrales par modélisation 3D avec superpositions de réalité virtuelle et augmentée pour la planification chirurgicale.
• CERIST (Alger) — Projet DIAG pour la détection des pathologies pulmonaires, dirigé par Saïd Yahiaoui en collaboration avec la Faculté de Médecine de l’Université d’Alger 1. Inférence rapportée en moins de 30 secondes sur scanners.
• Université d’Oran 1 — Ahmed Ben Bella — Héberge une « Maison de l’IA » au sein de ses initiatives NTIC ; a organisé la journée d’étude JESIA 2025 sur l’IA en santé le 3 juin 2025 en partenariat avec son Laboratoire de Pharmacovigilance, rassemblant radiologues, pharmaciens et informaticiens.
• ENSIA + Tsinghua AIR (Pékin) — Le China-Algeria Joint Laboratory for Artificial Intelligence, signé en 2023, donne aux doctorants algériens accès à l’un des plus grands environnements de calcul en imagerie médicale d’Asie.
• ANSSP (Agence Nationale de Sécurité Sanitaire) — Sous la présidence du Pr Kamel Sanhadji, travaille à un centre de données et une plateforme d’échange de santé à l’échelle nationale — la couche de données manquante dont les modèles d’IA radiologique ont besoin pour l’entraînement et l’audit.

Chacun de ces acteurs est financé, doté en personnel et produit des travaux relus par les pairs. Aucun, à ce jour, n’a de contrat pour lire des examens CT en direct dans un PACS de radiologie de CHU. Combler cet écart est le travail des 18 prochains mois.

Ce que les équipes cliniques et les startups health-tech doivent faire

L’opportunité n’est pas d’inventer de nouveaux algorithmes — c’est d’industrialiser ceux déjà validés. Voici comment les différentes parties prenantes peuvent passer du pilote à la plateforme.

1. Définir un profil PACS « AI-ready » dans chaque CHU avant tout achat d’algorithme

Chaque service de radiologie de CHU devrait publier, d’ici T4 2026, un court profil technique décrivant comment les fournisseurs d’IA s’y branchent : endpoint DICOMweb, sortie HL7 ORU, volume d’examens par modalité (scanner thorax, mammographie, scanner crânien, IRM cérébrale) et règles de désidentification appliquées avant qu’un seul pixel ne quitte l’établissement. C’est du travail administratif, pas de l’ingénierie. Cela ne requiert pas de nouveau marché. Mais sans cela, chaque intégration d’algorithme est sur mesure — et le sur-mesure tue le passage à l’échelle. Le cadre de référence de Satmed appelle cela « intégration zero-click » et le traite comme une condition préalable à tout le reste. Les DSI de CHU peuvent en rédiger une première version en une semaine s’ils se coordonnent via l’unité de réforme hospitalière du Ministère de la Santé.

2. Démarrer par trois cas d’usage à fort volume où il existe déjà des algorithmes locaux solides

Choisissez les trois flux de radiologie où les équipes algériennes disposent d’algorithmes locaux éprouvés et où la fatigue du lecteur est le facteur limitant : tri scanner thoracique (les travaux CDTA + CERIST s’appliquent directement), dépistage mammographique (le programme national contre le cancer du sein passe déjà par les CHU) et scanner crânien pour le tri AVC/hémorragie aux urgences. Chacun de ces flux compte des centaines d’examens par jour par CHU, des étiquettes de vérité terrain claires et un KPI clinique évident (délai de rendu, sensibilité aux trouvailles critiques). Faites un pilote dans deux CHU par cas d’usage pendant six mois, publiez les données comparatives en lecture aveugle, puis étendez au reste du réseau. C’est le même chemin progressif qui a produit les plus de 1 000 dispositifs autorisés par la FDA.

3. Brancher les startups health-tech sur le circuit d’achat des CHU dès le premier jour

La couche de startups health-tech en Algérie est mince comparée à la fintech ou au e-commerce, mais elle existe, et elle ne peut survivre sur le seul financement par subvention. Le fonds d’investissement IA d’Algérie Télécom d’environ 11 millions de dollars annoncé en 2025 est une source, mais le signal durable, ce sont des pilotes payants dans les CHU. Les DSI hospitaliers devraient réserver une petite enveloppe annuelle de marchés — même 50 000 à 100 000 dollars par CHU — pour des outils d’IA radiologique développés localement avec un seuil de performance clair. Cela convertit les subventions en revenu, donne aux fondateurs les clients de référence dont ils ont besoin pour lever une série A, et garde la propriété intellectuelle et le talent en Algérie plutôt que d’exporter les deux vers Paris ou Dubaï.

4. Utiliser la plateforme de données de santé de l’ANSSP comme socle de validation

Le centre national de données de santé en cours de construction sous l’ANSSP est l’élément d’infrastructure à plus fort effet de levier pour l’IA radiologique dans le pays. C’est là que vivront, à terme, les données d’entraînement fédérées, les cohortes de validation désidentifiées et le suivi de dérive après déploiement. Les fondateurs health-tech et les directeurs de recherche des CHU devraient s’engager dès maintenant — pas après le lancement — pour façonner les schémas de données, les niveaux d’accès et les journaux d’audit. La première cause d’échec des modèles d’IA radiologique en production à l’échelle mondiale est la dérive entre populations d’entraînement et de déploiement. Une couche de données algérienne dédiée, avec une représentation de cohorte appropriée, est la prévention.

Où cela s’inscrit dans la feuille de route santé-IA 2027 de l’Algérie

Le chemin entre les démonstrations prometteuses d’aujourd’hui et une épine dorsale nationale d’IA radiologique à horizon 2027 est plus court qu’il n’y paraît — à condition que trois choses se passent en séquence plutôt qu’en parallèle. La première est le pont technique : les services de radiologie de CHU adoptent un profil d’intégration IA commun pour qu’un même algorithme puisse être déployé à Alger, Oran, Constantine et Blida sans trois projets d’ingénierie distincts. La deuxième est le pont clinique : des études comparatives en lecture aveugle publiées depuis au moins deux CHU par cas d’usage, donnant aux radiologues algériens la base de preuves pour faire confiance à ces outils et les adopter. La troisième est le pont commercial : convertir les algorithmes incubés au CDTA, au CERIST et dans les universités en sociétés health-tech opérationnelles avec des contrats CHU payants, et non en cycles perpétuels de subventions.

Ce qui rend la configuration algérienne particulièrement bien positionnée, c’est que le même Ministère de l’Enseignement Supérieur qui finance le CDTA et le CERIST accrédite aussi les facultés de médecine qui forment les radiologues, et le même Ministère de la Santé qui gère les CHU fixe les recommandations cliniques. D’autres marchés à revenu intermédiaire luttent contre la fragmentation réglementaire entre payeurs privés, chaînes hospitalières et centres d’imagerie indépendants. L’Algérie a moins de strates institutionnelles — donc moins de points de blocage et un chemin plus rapide vers une plateforme nationale coordonnée. Le travail d’ici fin 2027 n’est pas d’inventer la technologie. C’est de câbler les institutions qui existent déjà.

Questions Fréquemment Posées

Sources et lectures complémentaires

• Algeria Reviews National AI Strategy Progress and Approves Launch of Dzair Digital Services Portal — iAfrica
• Deepdive : l’IA en Algérie — TechAhub
• Scaling Radiology AI 2026 : des pilotes à l’infrastructure — Satmed Health
• Système de santé en Algérie — Panorama du secteur public (Wikipédia)
• Segmentation automatique des zones pulmonaires infectées sur scanner CT — PMC
• JESIA 2025 : l’IA au service de la santé en Algérie — Université d’Oran 1 Ahmed Ben Bella
• Pourquoi l’Algérie est positionnée pour devenir le leader IA de l’Afrique du Nord — New Lines Institute