Apport de l’intelligence artificielle pour le diagnostic histologique des cancers : acquis et perspectives

P. Brousset*^a (Pr)

^a Département de pathologie, Institut Universitaire du Cancer de Toulouse Oncopole, Toulouse, FRANCE

* brousset.p@chu-toulouse.fr

Le diagnostic microscopique de cancer peut-être difficile mais surtout devient de plus en plus sophistiqué à l’ère de la médecine personnalisée. Les centres de pathologie qui ne possèdent pas d’accès à des techniques de marquage tissulaire complexes et à des techniques moléculaires de plus en plus basées sur le séquençage à haut débit n’ont plus leur place dans la prise en charge moderne des patients porteurs de cancer. Les techniques d’analyse d’image basées sur des dispositifs d’intelligence artificielle pourraient faire la synthèse entre des données phénotypiques et moléculaires complexes en prédisant le comportement tumoral sur le seule lecture d’images microscopiques de routine. Des données récentes de notre groupe au sein du réseau français (national) Lymphopath montrent que 20% des diagnostics de lymphome sont inexacts, avec un impact direct sur les soins aux patients [1]. Une autre difficulté est la classification des sous-types de cancer pour prédire la réponse thérapeutique et le comportement clinique. Actuellement, les solutions automatisées qui pourraient aider à la prise de décisions diagnostiques ou au classement histologique font défaut. La microscopie numérique offre des fonctionnalités uniques qui ne sont pas disponibles en microscopie optique conventionnelle [2] et permet une analyse et une quantification automatisées des images en utilisant la vision par ordinateur et, en particulier, les approches d'apprentissage en profondeur ou deep learning (DL) [3]. En utilisant le DL sur des images microscopiques numériques à partir de lames histopathologiques de routine, nous avons montré qu’il était possible de répondre à deux questions: 1) On peut efficacement entrainer un réseau neuronal profond (DL) pour distinguer une lésion bénigne et d’une lésion maligne [4] ; 2) Le DL peut efficacement prédire le comportement d’une tumeur en combinant l’analyse des données cliniques, microscopiques et moléculaires. Cependant, deux obstacles majeurs à l’extension de l’utilisation de ces techniques sont apparus. D’une part, il est impossible de reproduire le niveau fiabilité de la prédiction quand les données d’entrées sont de sources diverses et forcément un minimum hétérogènes. D’autre part, l’effet « boite noire » des réseaux de neurones fait que les caractéristiques exactes sur lesquelles la décision est prise ne sont pas connues. Ces deux éléments représentent encore un verrou technologique dans l’exploitation industrielle de systèmes experts basés sur le DL.

Références

1) Laurent et al. J Clin Oncol. 2017;35:2008-17.

2) Krenacs T et al. Digital microscopy - 2010. Microscopy: Science, Technology, Applications and Education. A. Méndez-Vilas and J. Díaz (Eds.).

3) Coudray N et al. Nat Med. 2018;24(10:1559-67).

4) Syrykh C et al, NPJ Digit Med. 2020 May 1;3:63. doi: 10.1038/s41746-020-0272-

L’auteur n’a pas transmis de déclaration de conflit d’intérêt.