Introduction : la principale cause d’erreur en imagerie oncologique est l’échec de détection d’une lésion. A l’heure du développement des techniques d’Intelligence Artificielle (IA) en Radiologie, l’objectif était de comparer les capacités de détection de lésions suspectes par des radiologues de même expérience soumis à différentes conditions d’interprétation et bénéficiant d’une formation en « lecture rapide ». Matériel et méthodes : des examens tomodensitométriques oncologiques étaient sélectionnés et interprétés par un radiologue sénior produisant un compte-rendu “Gold-Standard” selon les recommandations internationales. Des internes de radiologie interprétaient ces examens et notaient les lésions sur une grille standardisée. Ils étaient randomisés en 3 groupes: groupe 1 dans des conditions d’interprétation standard, groupe 2 dans des conditions ergonomiques améliorées, le groupe 3 bénéficiait en plus d’une formation spécifique en « lecture rapide et efficace ». La sensibilité de détection de chaque groupe comparé au Gold-Standard et la durée moyenne des séances d’interprétation étaient évaluées. Résultats : au total, 13 examens tomodensitométriques étaient inclus. L’interprétation « Gold-Standard » identifiait un total de 67 lésions à détecter sur ces examens. 18 internes étaient divisés en 3 groupes de 6. Chaque groupe d’interne avait 402 (67x6) lésions à détecter. La sensibilité de détection globale était plus élevée dans: le groupe 3 vs. groupe 1 (91,2% versus 84,2%; p=0,005) et le groupe 3 vs. groupe 2 (91,2% versus 85,4%; p=0,036). La durée d’interprétation était plus courte dans le groupe 2 vs. groupe 1 (141 minutes versus 162 minutes; p = 0,036). Conclusion : parallèlement au progrès de l’IA, les radiologues peuvent significativement améliorer leurs capacités de détection lésionnelle en adaptant leurs conditions de travail et leur méthode d’interprétation.