Exploring learning environments for label\-efficient cancer diagnosis

Le cancer demeure l'un des défis les plus redoutables de la médecine moderne, une maladie qui coûte la vie à d'innombrables personnes et impose un lourd fardeau aux systèmes de santé mondiaux. Une étape cruciale dans la lutte contre cette maladie est la détection précoce, où les médecins examinent des échantillons de tissus au microscope pour repérer des tumeurs avant qu'elles ne se propagent. Ce processus, appelé histopathologie, repose sur des experts hautement qualifiés pour distinguer les tissus sains des excroissances cancéreuses. Cependant, ce travail manuel est lent et épuisant ; une seule lame peut prendre jusqu'à trente minutes d'analyse à un spécialiste, et la demande pour une telle expertise dépasse souvent l'offre. Pour accélérer les soins, les scientifiques se sont tournés vers l'informatique, en apprenant aux ordinateurs à reconnaître les motifs du cancer dans les images. Pendant des années, ces systèmes informatiques ont nécessité de vastes bibliothèques d'images qui avaient été soigneusement étiquetées par des experts humains pour apprendre ce qu'il faut chercher. La collecte de ces images étiquetées est une tâche difficile, coûteuse et chronophage, créant un goulot d'étranglement qui limite la rapidité avec laquelle ces outils peuvent être développés et utilisés.

Une nouvelle étude menée par des chercheurs de l'Université Jamia Millia Islamia et de l'Université chinoise de Hong Kong explore un moyen de contourner ce goulot d'étranglement. Ils ont cherché à savoir si les ordinateurs pouvaient apprendre à diagnostiquer le cancer efficacement sans avoir besoin que chaque image soit étiquetée par un humain. L'équipe a testé trois méthodes différentes pour enseigner à ces systèmes informatiques. La première méthode, appelée apprentissage supervisé, est l'approche traditionnelle où l'ordinateur n'apprend qu'à partir d'images entièrement étiquetées. La deuxième méthode, l'apprentissage semi-supervisé, permet à l'ordinateur d'apprendre à partir d'un petit nombre d'images étiquetées tout en examinant un ensemble beaucoup plus vaste d'images non étiquetées pour trouver des motifs. La troisième méthode, l'apprentissage auto-supervisé, tente d'enseigner à l'ordinateur en utilisant uniquement des images non étiquetées, en lui demandant de découvrir ses propres règles sur ce qui rend une image similaire à une autre. Les chercheurs voulaient voir si les deuxième et troisième méthodes pouvaient égaler la performance de l'approche traditionnelle, entièrement étiquetée, particulièrement pour trois types courants de cancer : le sein, le poumon et le rein.

Pour tester ces idées, les chercheurs ont rassemblé trois ensembles distincts d'images médicales. Un ensemble contenait près de 8 000 images de tissu mammaire, un autre possédait plus de 16 000 images de tissu pulmonaire, et le troisième comprenait plus de 7 000 images de tissu rénal. Ces images provenaient de sources différentes et avaient des formats différents, garantissant que les résultats seraient robustes. L'équipe a ensuite créé sept scénarios d'entraînement différents. Dans le premier scénario, ils ont utilisé uniquement des images entièrement étiquetées. Dans les cinq scénarios suivants, ils ont mélangé des images étiquetées et non étiquetées dans des proportions variables, allant de moitié-moitié à une situation où seulement dix pour cent des images étaient étiquetées. Dans le dernier scénario, ils ont utilisé uniquement des images non étiquetées. Ils ont injecté ces différents ensembles de données dans trois modèles informatiques puissants préexistants, conçus pour reconnaître des motifs dans les images. Ces modèles ont ensuite été chargés de classer chaque image comme bénigne, c'est-à-dire inoffensive, ou maligne, c'est-à-dire cancéreuse.

Les résultats ont révélé une hiérarchie claire dans l'efficacité des différentes méthodes d'apprentissage. Comme prévu, la méthode traditionnelle utilisant uniquement des images entièrement étiquetées a produit les résultats les plus précis. Cependant, l'approche semi-supervisée, qui utilisait un mélange de données étiquetées et non étiquetées, s'en est approchée remarquablement. Dans de nombreux cas, les modèles informatiques entraînés avec une infime fraction de données étiquetées ont presque égalé les performances de ceux entraînés avec toutes les données étiquetées. Par exemple, pour diagnostiquer le cancer du rein, un modèle entraîné avec seulement trente pour cent d'images étiquetées et soixante-dix pour cent d'images non étiquetées a atteint une précision de près de 98 pour cent, un chiffre très proche de celui du modèle entraîné avec toutes les données étiquetées. Même lorsque la quantité de données étiquetées était réduite à seulement dix pour cent, la performance restait solide. Cela suggère que l'ordinateur peut tirer des leçons précieuses des images non étiquetées, les utilisant pour comprendre la structure générale du tissu avant de se concentrer sur les signes spécifiques du cancer.

La troisième méthode, l'apprentissage auto-supervisé, qui reposait entièrement sur des images non étiquetées, a produit des scores de précision inférieurs aux deux autres méthodes. Bien qu'elle n'ait pas égalé les performances des approches entièrement étiquetée ou semi-supervisée, elle a tout de même réussi à identifier des motifs cancéreux avec un certain degré de succès, prouvant que les ordinateurs peuvent extraire des informations utiles même sans aucune guidance humaine. Parmi les trois modèles informatiques testés, un modèle connu sous le nom d'EfficientNetB0 a systématiquement surpassé les autres pour les trois types de cancer et toutes les méthodes d'apprentissage. Il a atteint les taux de précision les plus élevés, atteignant près de 92 pour cent pour le cancer du sein et plus de 98 pour cent pour le cancer du rein lors de l'utilisation des meilleures conditions d'entraînement.

L'étude conclut que l'exigence stricte de quantités massives de données étiquetées n'est peut-être pas nécessaire pour un diagnostic efficace du cancer. Les chercheurs ont constaté que l'apprentissage semi-supervisé offre une alternative très viable, permettant aux équipes médicales de construire des outils de diagnostic puissants même lorsqu'elles n'ont accès qu'à un nombre modeste d'échantillons étiquetés. C'est une découverte significative car elle abaisse la barrière à l'entrée pour le développement de ces technologies. Si un hôpital ou un laboratoire de recherche possède des milliers d'images non étiquetées mais seulement quelques centaines d'images étiquetées, il peut tout de même entraîner un ordinateur pour l'assister dans le diagnostic avec une grande fiabilité. Ce travail suggère que l'avenir de la détection automatisée du cancer ne dépend pas uniquement de la tâche laborieuse consistant à étiqueter chaque image, mais plutôt de méthodes intelligentes capables d'apprendre à partir des vastes quantités de données non étiquetées déjà disponibles dans les archives médicales.