AI for Mycetoma Diagnosis in Histopathological Images: The MICCAI 2024 Challenge

Imaginez le corps humain comme une ville bouillonnante, où de minuscules envahisseurs comme des bactéries et des champignons tentent de s'introduire par des fenêtres brisées (de petites coupures dans la peau). Habituellement, notre système immunitaire agit comme une force de police vigilante, repérant et arrêtant ces intrus. Mais parfois, ces envahisseurs installent des camps durables et tenaces qui détruisent les bâtiments de la ville (les os et les tissus) et provoquent une douleur terrible. C'est une maladie appelée mycétome. C'est un perturbateur sournois qui frappe souvent dans des endroits où les médecins ne disposent pas d'outils sophistiqués pour voir ce qui se passe. Pour diagnostiquer cette maladie, un médecin doit observer une infime tranche de tissu infecté sous un microscope, à la recherche de petits amas d'envahisseurs appelés « grains ». Le problème est que trouver ces grains et déterminer exactement quel type d'ennemi il s'agit (bactérie ou champignon) revient à chercher un type spécifique d'aiguille dans une botte de foin tout en portant des lunettes embuées. Cela demande un expert hautement qualifié, et ces experts manquent souvent dans les lieux où la maladie est la plus répandue.

C'est là que l'Intelligence Artificielle (IA) intervient, agissant comme une paire de lunettes surpuissante qui ne fatigue jamais. La grande question que les chercheurs se sont posée est la suivante : pouvons-nous apprendre à un ordinateur à regarder ces images microscopiques, à trouver les mauvais amas et à nous dire exactement quel genre de microbe cause les ennuis ? Si un ordinateur pouvait faire cela, ce serait un changement radical pour les personnes vivant dans des zones reculées, leur donnant accès à un « expert virtuel » directement sur leur écran.

La Grande Course du Microscope : Apprendre aux ordinateurs à repérer des envahisseurs invisibles

En 2024, un groupe de scientifiques a organisé une course à enjeux élevés appelée le « mAIcetoma Challenge ». Voyez cela comme un immense tournoi international de jeux vidéo, mais au lieu de faire la course avec des voitures ou de combattre des dragons, les concurrents étaient des équipes de programmeurs informatiques et de scientifiques des données faisant la course pour construire le meilleur détective IA. Leur mission ? Créer un algorithme capable de regarder des images histopathologiques (qui sont simplement de jolies photos colorées de tranches de tissus) et de faire deux choses : premièrement, trouver les petits « grains » de la maladie et, deuxièmement, déterminer si ces grains ont été fabriqués par des bactéries ou des champignons.

Les organisateurs ont remis aux équipes un immense album photo standardisé appelé « MyData ». Cet album contenait 766 photos de tissus provenant de 127 patients différents. Pour que la compétition soit équitable, l'album a été divisé en trois parties : un ensemble d'entraînement (pratique), un ensemble de validation (quiz) et un examen final (test). Les équipes devaient enseigner à leurs modèles d'IA en utilisant l'ensemble d'entraînement, puis prouver qu'elles pouvaient gérer l'examen final sans regarder les réponses.

Les Contestants et leurs Super-pouvoirs

Cinq équipes ont atteint la finale, et chacune a apporté une stratégie différente, comme des personnages dans une équipe de super-héros :

• L'équipe Adrian a agi comme un bibliothécaire méticuleux. Avant d'enseigner à leur IA, ils ont passé des heures à nettoyer l'album photo, en supprimant les images en double et en corrigeant les étiquettes désordonnées. Ils pensaient que si l'on donne à un étudiant un manuel propre et organisé, il apprend mieux. Ils ont utilisé une approche de « équipe d'experts » (apprentissage d'ensemble), où cinq modèles d'IA différents votaient sur la réponse, et la majorité l'emportait.
• L'équipe Macaroon a construit une machine à deux étapes. D'abord, leur IA a agi comme un projecteur, éclairant uniquement la zone spécifique où le grain se cachait (segmentation). Ensuite, une seconde IA n'a regardé que cette zone éclairée pour décider quel type de microbe il s'agissait. Ils ont estimé que tenter de deviner le type de microbe tout en regardant l'image entière et désordonnée était trop distrayant.
• L'équipe Minions a tenté une approche « hybride ». Ils ont construit un système qui apprenait à trouver les grains et à deviner le type de microbe en même temps. Ils ont même essayé de nourrir leur IA avec des indices « artisanaux » — des descriptions mathématiques de la forme et de la couleur du grain — espérant que ces indices supplémentaires aideraient.
• L'équipe Tiger a utilisé une stratégie de « loupe ». Leur IA possédait des mécanismes d'attention spéciaux qui l'aidaient à se concentrer sur les parties les plus importantes de l'image, ignorant l'arrière-plan ennuyeux. Ils ont également utilisé une astuce appelée « Distillation de Connaissance Croisée » (Cross Knowledge Distillation), où trois parties différentes de leur IA s'enseignaient mutuellement pour se mettre d'accord sur la réponse, rendant l'ensemble du système plus intelligent.
• L'équipe VSI a adopté une approche « prêt à l'emploi ». Ils ont utilisé un outil d'IA pré-fabriqué et auto-configurable (nnU-Net) qui s'ajustait automatiquement pour correspondre aux données, comme un costume taillé par un robot. Ils ont ajouté une étape de polissage final pour affiner les contours des grains détectés.

Les Résultats : Qui a gagné la course ?

Lorsque les scores finaux ont été comptabilisés, les résultats ont été impressionnants. Les cinq équipes ont réussi à trouver les grains avec une précision incroyable, dépassant les 91 % sur une échelle pondérée. Il s'avère que trouver les petits amas est un domaine où l'IA moderne est déjà très performante, quelle que soit la stratégie spécifique utilisée.

Cependant, la seconde tâche — faire la différence entre les types bactériens et fongiques — était beaucoup plus difficile. Ici, les scores variaient davantage. L'équipe Adrian a pris la première place dans les deux catégories, atteignant un score pondéré de 93,56 % pour la détection des grains et de 96,14 % pour leur classification. L'équipe Macaroon est arrivée en deuxième position, de très près.

La découverte la plus surprenante n'était pas seulement de savoir qui avait gagné, mais comment ils avaient gagné. L'article suggère qu'il n'existe pas une architecture d'IA unique et « parfaite » qui bat tout le reste. Au contraire, la clé du succès résidait dans une combinaison de facteurs : nettoyer soigneusement les données, utiliser des stratégies intelligentes pour se concentrer sur les bonnes parties de l'image et, parfois, simplement laisser une équipe de modèles d'IA voter ensemble. Curieusement, l'équipe Minions a découvert que l'ajout de ces indices « artisanaux » sur la forme du grain n'aidait pas réellement leur IA à mieux performer que si elle apprenait simplement à partir des images seules. Cela suggère que l'IA est assez intelligente pour comprendre les détails importants par elle-même si les données sont de bonne qualité.

Ce que cela signifie pour l'avenir

L'article conclut que l'IA est définitivement prête à aider les médecins à diagnostiquer le mycétome, en particulier dans les endroits où les pathologistes experts sont difficiles à trouver. Le défi a prouvé que nous pouvons construire des outils fiables pour repérer ces maladies. Cependant, les auteurs précisent avec prudence que ce n'est que le début. Les modèles d'IA actuels ont été entraînés sur un ensemble spécifique d'images, et ils pourraient avoir besoin de plus de pratique avec différents types d'images et de colorations avant de pouvoir être utilisés dans chaque hôpital du monde.

Le point essentiel à retenir est que, bien que la technologie soit puissante, la « recette secrète » n'est pas seulement un programme informatique sophistiqué ; c'est la qualité des données et le soin apporté à leur préparation. Tout comme un chef a besoin d'ingrédients frais pour préparer un excellent repas, l'IA a besoin de données propres et bien organisées pour réaliser de grands diagnostics. Ce défi a établi une nouvelle référence, montrant au monde qu'avec le bon travail d'équipe entre les humains et les machines, nous pouvons nous attaquer même aux maladies négligées les plus tenaces.