À l’heure où l’e-santé est une part essentielle de la médecine moderne, les lames virtuelles sont devenues un élément clé en anatomie pathologique. La microscopie virtuelle consiste en la numérisation de coupes histologiques sur lames de verre. Le pathologiste peut ainsi observer ces lames numérisées à très haute résolution sur un ordinateur distant comme s’il utilisait un microscope.

Un réseau de neurones est un modèle informatique dont la structure en couches ) est similaire à la structure en réseau des neurones du cerveau, avec des couches de nœuds connectés. Un réseau de neurones peut apprendre à partie de données ; il peut ainsi être entraîné à reconnaître des tendances, classer des données et prévoir des événements à venir.

Le diagnostic histopathologique des affections ganglionnaires repose sur l’interprétation des coupes histologiques. Le pathologiste peut dans certains cas se retrouver face à des difficultés d’interprétations majeures entre modifications réactionnelles témoignant d’une simple stimulation des lymphocytes, réactions inflammatoires et proliférations tumorales.

Dans cette étude, les images obtenues par microscopie virtuelle ont été utilisées pour entrainer un réseau de neurone (apprentissage profond ou deep-learning) à reconnaitre des images microscopiques (hyperplasie ganglionnaire folliculaire versus lymphome folliculaire).
Les résultats montrent que le réseau de neurone fait aussi bien sinon mieux que des pathologistes pour reconnaitre des images de morphologie voisine mais bien distinctes sur le plan étiologique et évolutif (bénin vs malin) avec une fiabilité de 99%.

Cependant, ce travail pointe deux problèmes liés à l’utilisation des réseaux de neurones dans l’analyse des images microscopiques :

  • une reproductibilité impactée par la préparation des échantillons tissulaires donnant des images différentes d’un centre à l’autre rendant le déploiement de ces techniques pour l’instant problématique
  • L’intelligence artificielle basée sur les réseaux de neurones artificiels souffre encore d’un gros défaut : elle a du mal à expliquer ses décisions !

A terme le déploiement de cette technique permettra sans aucun doute une amélioration du diagnostic anatomo-pathologique ainsi qu’une quantification précise de biomarqueurs tissulaires en oncologie par la création possible de solutions informatiques (plateformes ou logiciels) d’aide à la décision médicale.
Ce projet a été réalisé par l’équipe 7 du CRCT « biologie des ARN dans les cancers hématologiques » et publié dans le npj digital medicine de mai 2020. Il est porté par le Labex TOUCAN , l’Institut Carnot Lymphome (CALYM) , l’IRIT, le CHU de Toulouse et le groupe Thalès Services.

Découvrir l’article publié :

NPJ Digit Med. 2020 May 1;3:63.
Accurate diagnosis of lymphoma on whole-slide histopathology images using deep learning.
Syrykh C, Abreu A, Amara N, Siegfried A, Maisongrosse V, Frenois FX, Martin L, Rossi C, Laurent C, Brousset P.

Mots clés :

  • Pathologie digitale,
  • diagnostic microscopique,
  • deep learning,
  • cancer/lymphome

Contact :

Pierre Brousset
Equipe 7 – CRCT
pierre.brousset@inserm.fr

Une image :

Figure 1 : Apprentissage supervisé basé sur des lames histologiques digitales
LF : lymphome folliculaire, HF : hyperplasie folliculaire, WSI (lame digitale entière), CNN : réseau de neurones profond,