Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images

La thyroïde humaine est une petite glande en forme de papillon nichée à la base du cou, agissant comme le thermostat du corps en régulant le métabolisme. Lorsque cette glande fonctionne mal, elle peut gonfler, développer des nodules ou devenir inflammée, entraînant des pathologies allant d'un simple désagrément à de graves menaces pour la santé. Pour comprendre ce qui se passe à l'intérieur, les médecins utilisent souvent un type spécial d'examen de médecine nucléaire appelé scintigraphie. Dans cette procédure, un patient reçoit une infime quantité d'une substance radioactive sûre que la thyroïde absorbe naturellement. Une caméra capture ensuite les images de cette lueur, révélant comment la glande fonctionne et où elle pourrait mal se comporter. Cependant, l'interprétation de ces images est une tâche exigeante. Elle nécessite un spécialiste qualifié pour tracer soigneusement le contour de la thyroïde sur l'écran, puis interpréter les subtils motifs de lumière et d'obscurité afin de diagnostiquer la maladie spécifique. Ce processus est lent, repose fortement sur l'expérience individuelle du médecin et peut varier d'un expert à l'autre. À mesure que le nombre de patients nécessitant ces examens augmente, la communauté médicale fait face à un besoin pressant d'outils capables d'assister ce travail délicat, garantissant que les diagnostics soient à la fois rapides et cohérents.

Dans une étude récente, une équipe de chercheurs du Canada, de l'Iran et de la Suisse a relevé ce défi en construisant un système automatisé qu'ils ont nommé Thyroidiomics. Leur objectif était de créer un pipeline numérique capable non seulement de trouver la glande thyroïde dans ces images lumineuses, mais aussi de classifier la maladie spécifique qui l'affecte, le tout sans intervention humaine. Ils ont rassemblé une vaste collection de 2 643 scintigraphies thyroïdiennes provenant de neuf centres médicaux différents, couvrant une grande variété d'équipements et de populations de patients. L'équipe s'est concentrée sur trois conditions courantes : un goitre diffus, où la glande est uniformément hypertrophiée ; un goitre multinodulaire, caractérisé par de multiples nodules ; et la thyroidite, une inflammation du tissu. Pour entraîner leur ordinateur, ils ont d'abord dû lui apprendre à voir ce qu'un humain voit. Un expert en médecine nucléaire a tracé manuellement les limites exactes de la thyroïde sur chaque image, créant une carte parfaite qui a servi de « vérité terrain » pour l'apprentissage de la machine.

Les chercheurs ont ensuite développé un système d'intelligence artificielle en deux étapes. D'abord, ils ont entraîné un modèle d'apprentissage profond, un type de programme informatique inspiré par le cerveau humain, pour dessiner automatiquement le contour de la glande thyroïde sur de nouvelles images. Ce modèle, connu sous le nom de Residual UNet, a appris à distinguer la thyroïde des tissus environnants en étudiant des milliers d'exemples. Une fois que l'ordinateur a réussi à détourer la glande, la seconde étape a commencé. Le système a extrait des centaines de détails mathématiques infimes de la texture et de la luminosité de la zone délimitée — des caractéristiques trop subtiles pour l'œil humain mais riches en informations diagnostiques. Ces détails ont ensuite été injectés dans un classificateur d'apprentissage automatique, qui agissait comme un décideur, triant les images dans l'une des trois catégories de maladies. Pour s'assurer que leur système était véritablement robuste et ne se contentait pas de mémoriser les images spécifiques sur lesquelles il a été entraîné, l'équipe a utilisé une méthode de test rigoureuse. Ils ont entraîné le système sur des données de huit centres médicaux et l'ont testé sur le neuvième, répétant ce processus jusqu'à ce que chaque centre ait servi de cas de test. Cette approche a garanti que le système puisse gérer des images provenant de différentes machines et de différents hôpitaux.

Les résultats ont montré que le pipeline automatisé performait avec une compétence remarquable. La capacité de l'ordinateur à dessiner le contour de la thyroïde était très précise, correspondant aux dessins manuels de l'expert médecin dans la plupart des cas. Lorsqu'il s'agissait de diagnostiquer la maladie, le système automatisé a atteint une précision d'environ 74 %, un chiffre très proche des 76 % de précision obtenus lorsque le système utilisait les contours manuels du médecin comme point de départ. Le système était particulièrement apte à identifier la thyroidite, la classifiant correctement avec une constance quasi parfaite à travers tous les centres de test. Bien que les contours manuels conservent un léger avantage en termes de précision, la différence était si faible que la performance du système automatisé a été considérée comme statistiquement équivalente pour la plupart des mesures. Cela suggère que l'ordinateur peut remplacer efficacement l'étape chronophage du traçage manuel sans sacrifier la qualité du diagnostic.

Les implications de ce travail s'étendent au-delà de la simple vitesse. En automatisant le processus de segmentation, le système élimine la variabilité découlant du fait que différents médecins dessinent la même glande de manières légèrement différentes. Cette cohérence est vitale pour des soins de santé fiables, en particulier pour les médecins moins expérimentés qui pourraient bénéficier d'un second avis objectif pour comparer avec leurs propres évaluations. Les chercheurs ont noté que, bien que leur système soit une avancée significative, il a été entraîné sur des données provenant d'un seul pays et pourrait bénéficier d'un ensemble de données mondiales plus diversifié pour garantir qu'il fonctionne aussi bien partout. Ils prévoient également d'explorer des moyens de classifier les maladies sans avoir besoin de détourer la glande à l'avenir. Pour l'instant, cependant, cette étude démontre que l'intelligence artificielle peut naviguer avec succès dans les complexités de la scintigraphie thyroïdienne, offrant un nouvel outil puissant qui travaille aux côtés de l'expertise humaine pour améliorer les soins aux patients.