L'intelligence artificielle identifie les cellules cancereuses
L'intelligence artificielle reconnaît désormais dans certains cas les cellules cancéreuses sur l’imagerie médicale.
Un logiciel outil qui met à profit l' intelligence artificielle a été en mesure de reconnaître les cellules cancéreuses de diapositives en pathologie numérique, conduisant à des plans de traitement plus personnalisé, selon une étude publiée dans EBioMedicine .
La distribution spatiale des différents types de cellules peut révéler un modèle de développement du cancer ainsi que la réponse immunitaire de l'organisme, ont noté les chercheurs. Alors que le processus d'identification manuelle de toutes les cellules d'une diapositive de pathologie est laborieux et sujet aux erreurs et qu’il est difficile pour le cerveau humain de détecter des motifs subtils, on voit l’enjeu majeur qu’il y a à faire classer automatiquement différents types de cellules et à quantifier leurs distributions spatiales.
Comme il y a généralement des millions de cellules dans un échantillon de tissu, un pathologiste ne peut analyser qu’un nombre limité d’images chaque jour. Pour poser un diagnostic, les pathologistes n'examinent généralement que plusieurs régions «représentatives» en détail, plutôt que l’image entière. Cependant, certains détails importants peuvent échapper au clinicien dans cette approche.
Une équipe de chercheurs a développé un algorithme d'IA appelé ConvPath qui classe les types de cellules liées au cancer du poumon. L'algorithme peut évaluer les cellules et identifier leurs types en fonction de leur apparence dans les images. L'algorithme convertit efficacement l'image de la pathologie en une «carte» qui montre les distributions spatiales et les interactions des cellules tumorales et des lymphocytes dans le tissu tumoral.
Les résultats ont montré que l'algorithme a atteint une précision de classification globale de 92,9% dans le data set d'entraînement et de 90,1% dans un jeu de données de contrôle.
La réponse immunitaire du corps se révèle si les cellules tumorales se regroupent bien ou se propagent dans les ganglions lymphatiques stromaux. La possession de ces informations pourrait aider les praticiens à imaginer des thérapies plus personnalisées et à choisir la bonne immunothérapie.
Les chercheurs sont convaincus que l'algorithme pourrait aider les pathologistes à obtenir une analyse des cellules cancéreuses plus précise, beaucoup plus rapidement.
"Il est long et difficile pour les pathologistes de localiser de très petites régions tumorales dans les images des tissus, ce qui pourrait réduire considérablement le temps que les pathologistes doivent consacrer à chaque image".
ConvPath pourrait également améliorer la capacité des praticiens à concevoir des traitements pour chaque patient, ainsi que de prédire comment les patients réagiront aux thérapies.
Cet outil pourrait aider les pathologistes et les cliniciens à établir le pronostic du patient, et donc à adapter le plan de traitement de chaque patient en utilisant des images tissulaires facilement disponibles.
En outre, cet outil pourrait être utilisé pour quantifier les interactions et les distributions cellule-cellule de différents types de cellules, en particulier la distribution spatiale des lymphocytes et leur interaction avec la région tumorale, ce qui pourrait potentiellement fournir des informations pour la réponse du patient à l'immunothérapie.
L'étude a été limitée dans la mesure où l'algorithme d'IA n'a pris en compte que trois principaux types de cellules, de sorte que différents sous-types de cellules ne peuvent pas être distingués à l'aide de l'outil. Pour résoudre ce problème, les chercheurs devront utiliser un étiquetage plus complet.
Le pipeline d'analyse développé dans cette étude pourrait convertir l'image de la pathologie en une« carte spatiale »des cellules tumorales, des cellules stromales et des lymphocytes. Cela pourrait grandement faciliter et permettre une analyse complète de l'organisation spatiale des cellules, ainsi que de leur rôle dans la progression tumorale et les métastases.
