Dans une étude récente, des chercheurs ont développé et évalué un modèle de pathologie basé sur l'IA, appelé Prov-GigaPath. Selon eux, il s'agit du premier modèle de base de pathologie sur lames entières pour le diagnostic des cellules cancéreuses, entraîné sur de vastes ensembles de données provenant de cas réels.
La pathologie computationnelle contribue à transformer le diagnostic du cancer, aidant les professionnels àdentles sous-types, les stades et l'évolution possible de la maladie. De nombreuses études ont démontré que l'apprentissage automatique et l'apprentissage profond permettent une détection précoce plus efficace de différents types de cancers.
À lire également : Des scientifiques développent un modèle basé sur l’IA pour améliorer les immunothérapies contre le cancer
Providence Health Systems et l'Université de Washington ont mené la dernière étude, publiée dans la revue Nature. Plusieurs équipes internes de Microsoft ont également collaboré à cette recherche.
Prov-GigaPath diagnostique le cancer
Prov-GigaPath s'appuie sur la méthode d'imagerie de lames entières, largement utilisée pour l'évaluation et le diagnostic du cancer.
La technique d'imagerie de lames entières consiste à convertir une lame microscopique contenant une image tumorale en une image numérique haute résolution. Ces images de lames entières renferment des informations cruciales pour la compréhension du microenvironnement tumoral.
« Prov-Path est plus de cinq fois plus grand que TCGA en termes de nombre de tuiles d'images et plus de deux fois plus grand que TCGA en termes de nombre de patients. » Nature.
Prov-GigaPath est entraîné sur un vaste ensemble de données appelé Prov-path, provenant du réseau Providence Health Network, qui regroupe 28 centres de cancérologie. Cet ensemble de données comprend plus de 1,3 milliard d'images issues de 171 189 lames microscopiques. Ces lames ont été préparées lors de biopsies et de résections réalisées sur plus de 30 000 patients et couvrent 31 types de tissus principaux.
L'ensemble de données Prov-Path contient également des données sur la stadification du cancer, les rapports d'anatomopathologie associés, les profils de mutation du génome et les résultats histopathologiques. L'ensemble de ces données diversifiées permet de mieux comprendre les conditions du modèle.
GigaPath améliore l'dentdes diapositives Gigapixel
GigaPath est un nouveau transformateur de vision utilisé par Prov-GigaPath pour l'analyse de lames histologiques gigapixels. Une lame complète est décomposée en une série de jetons lorsque les tuiles de l'image sont utilisées comme jetons visuels. Afin de simplifier les motifs complexes pour la modélisation de séquences, ce transformateur de vision repose sur une architecture neuronale.
Le problème est qu'un transformateur de vision conventionnel ne peut être appliqué directement à la pathologie numérique en raison du nombre considérable de tuiles sur chaque lame de microscope. Dans le cas des données de Providence, ce nombre peut atteindre 70 121 lames. Les chercheurs ont noté que :
« Pour résoudre ce problème, nous tirons parti de l’auto-attention dilatée en adaptant notre méthode LongNet récemment développée. »
De nombreuses mutations génétiques altérant la fonction des gènes sont impliquées dans la progression du cancer et peuvent être détectées à des fins de diagnostic et de pronostic. L'étude a constaté que malgré la baisse significative du coût du séquençage, des lacunes persistent dans le système de santé. L'accès au séquençage tumoral à l'échelle mondiale serait le principal facteur à l'origine de ces lacunes.
Les chercheurs ont souligné que la prédiction des mutations tumorales à partir d'images pathologiques peut aider à sélectionner les méthodes de traitement et les médicaments personnalisés.
Des chercheurs comparent des modèles de pathologie
La pathologie numérique présente des défis informatiques, car les lames standard à l'échelle du gigapixel sont généralement des milliers de fois plus grandes que les images naturelles traditionnelles. Les systèmes de transformation d'images classiques ont des limitations et peinent à traiter des images aussi gigantesques, car les besoins en calcul augmentent considérablement avec la quantité de données.
À lire également : Un outil d’IA prédit les réponses immunitaires dans la lutte contre le cancer
Un autre point important est que les recherches antérieures en pathologie numérique n'ont pas exploité les interdépendances entre les différentes images de chaque lame microscopique. Cette négligence des liens entre ces interdépendances a conduit à l'élimination du contexte à l'échelle de la lame, pourtant crucial pour de nombreuses applications, comme la modélisation du microenvironnement tumoral.
Dans le cadre de cette étude, les chercheurs ont comparé Prov-GigaPath à d'autres modèles de base de données pathologiques disponibles publiquement, tels que HIPT, Ctranspath et REMEDIS. Ils ont constaté que Prov-GigaPath obtenait de meilleurs résultats sur 25 des 26 tâches, comme le souligne l'étude :
« Prov-GigaPath a obtenu une amélioration de 23,5 % en AUROC (une mesure de performance pour les modèles de classification) et de 66,4 % en AUPRC (une mesure utile pour traiter des ensembles de données déséquilibrés) par rapport au deuxième meilleur modèle, REMEDIS. »
Le cancer peut être une maladie mortelle et emporte des millions de vies chaque année. Comme l'a déclaré Thomas Fuchs, cofondateur et directeur scientifique de Paige, fournisseur de solutions de pathologie numérique, à CNBC lors d'une interview : « On ne diagnostique un cancer que lorsque le pathologiste l'affirme. C'est l'étape cruciale du processus médical. »
Comme nous le savons, les techniques d'anatomopathologie conventionnelles ont largement contribué au diagnostic des maladies, car elles reposent principalement sur l'observation d'échantillons de tissus au microscope. Cependant, grâce aux progrès technologiques et à l'intelligence artificielle, les pratiques évoluent et le processus d'dentet de classification des cancers s'est accéléré. La plupart des modèles d'IA en anatomopathologie utilisent la même technique d'examen microscopique, mais de manière numérique.
Reportage Cryptopolitan par Aamir Sheikh
