Malgré l’émergence de nombreuses mesures quantitatives et de biomarqueurs dans la littérature d’imagerie oncologique, leur intégration en pratique clinique courante reste limitée, le plus souvent en raison de contraintes de temps. Ces dernières années, on a observé une augmentation des publications sur les méthodes d’intelligence artificielle (IA) pour l’imagerie médicale diagnostique et pronostique, bien que leur adoption clinique demeure modeste. Cette thèse explore le potentiel de solutions innovantes fondées sur l’IA à chaque étape du parcours de soins en oncologie, par l’automatisation de tâches d’analyse en imagerie telles que la détection, la segmentation, la classification diagnostique et l’évaluation pronostique. Pour le dépistage des facteurs de risque, nous présentons une approche entièrement automatisée de quantification de la nodularité de la surface hépatique, un biomarqueur d’imagerie quantitative de la cirrhose, principal facteur de risque du carcinome hépatocellulaire (CHC). Cette méthode combine une segmentation hépatique par apprentissage profond avec une technique de seuillage appliquée à la surface hépatique. Sa performance diagnostique a été comparée à celle d’un logiciel semi-automatisé existant de quantification de la nodularité hépatique dans une étude de non-infériorité, puis intégrée dans un cadre diagnostique plus large combinant des données clinico-biologiques. Elle pourrait ainsi constituer un outil de dépistage et de suivi à grande échelle en amont du développement du CHC. Pour le diagnostic précoce du CHC, qui demeure un défi, nous introduisons une approche hybride combinant apprentissage profond et radiomique pour classifier de petites lésions hépatiques en CHC ou non-CHC, en utilisant des caractéristiques dérivées du LI-RADS pour une meilleure interprétabilité. Pour le bilan d’extension, la thèse aborde la détection automatisée des lésions osseuses sur des scanners couvrant les régions thoracique, abdominale et/ou pelvienne. Le squelette constitue un site métastatique fréquent. Cependant, les lésions osseuses peuvent passer inaperçues, malgré leurs importantes implications cliniques. Nous évaluons ainsi un algorithme de détection des lésions osseuses pour identifier les métastases osseuses, une tâche qui reste complexe pour les radiologues. Enfin, cette thèse évalue un algorithme d’IA open source pour l’analyse volumétrique automatisée de la composition corporelle, qui permet d’obtenir plusieurs facteurs pronostiques bien documentés mais peu utilisés en pratique clinique, en raison des limites des méthodes manuelles ou semi-automatisées. Les performances de ces mesures basées sur le volume ont été comparées à celles de mesures traditionnelles basées sur la surface au niveau des vertèbres L3 et T4, dans le cadre d’une analyse de survie réalisée chez des patients atteints de cancers avancés traités par immunothérapie. Les travaux présentés dans cette thèse montrent que l’automatisation guidée par l’IA pourrait accompagner les radiologues à chaque étape du parcours de soins en oncologie, contribuant ainsi au développement de la médecine de précision.