🤖 machine learning

KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment

Ce papier présente KAYRA, une architecture de microservices conteneurisée pour le caryotypage assisté par l'intelligence artificielle qui combine un pipeline d'apprentissage profond en cascade avec un déploiement flexible dans le cloud ou sur site, démontrant des améliorations statistiquement significatives de la précision de segmentation et de classification par rapport aux systèmes commerciaux existants lors d'une évaluation clinique pilote.

Auteurs originaux : Attila Pintér, Javier Rico, Attila Répai, Jalal Al-Afandi, Adrienn Éva Borsy, András Kozma, Hajnalka Andrikovics, György Cserey

Publié 2026-04-30

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Attila Pintér, Javier Rico, Attila Répai, Jalal Al-Afandi, Adrienn Éva Borsy, András Kozma, Hajnalka Andrikovics, György Cserey

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un laboratoire hospitalier où les scientifiques doivent trier un tas désordonné de petits fils emmêlés (les chromosomes) pour vérifier la santé génétique. Ce processus, appelé caryotypage, revient à essayer de démêler un nœud de guirlandes de Noël les yeux bandés, puis à les trier par couleur et par taille. Traditionnellement, des experts hautement qualifiés le font manuellement, ce qui prend de 30 à 90 minutes par patient. C'est lent, coûteux, et il est difficile de trouver suffisamment d'experts pour le faire.

KAYRA est un nouveau système logiciel conçu pour agir comme un « super-assistant » pour ces experts. Il utilise l'intelligence artificielle pour effectuer le travail lourd, mais il est conçu d'une manière très spécifique pour s'intégrer dans les hôpitaux réels.

Voici comment KAYRA fonctionne, expliqué par de simples analogies :

1. Le « Couteau Suisse » du logiciel (Microservices)

La plupart des logiciels ressemblent à une immense boîte à outils lourde où, si un outil se brise, toute la boîte devient inutile. KAYRA est différent. Il est construit comme une cuisine modulaire.

Au lieu d'un seul robot géant faisant tout, KAYRA est composé de petits « chefs » indépendants (des microservices) travaillant en chaîne.
Un chef coupe les légumes (il trouve les chromosomes), un autre les hache (il les sépare), un troisième les trie par type, et un quatrième les arrange dans une assiette.
Pourquoi cela compte : Si le chef « hachage » est bloqué, le chef « tri » peut continuer à travailler avec ce qu'il a. Le système ne plante pas ; il fournit simplement un résultat partiel à l'expert humain pour correction. C'est crucial dans un hôpital où vous ne pouvez pas vous permettre que la machine s'arrête simplement.

2. La stratégie « Zoom » (ROI en cascade)

Regarder une lame de microscope entière pour trouver des chromosomes, c'est comme essayer de trouver une aiguille spécifique dans une botte de foin en regardant tout le hangar. Il y a trop d'informations.

Étape 1 (Le filtre Otsu) : KAYRA jette d'abord un coup d'œil rapide et flou à l'image entière pour trouver la zone de la « botte de foin ». Il ignore l'espace vide.
Étape 2 (Le raffineur U-Net) : Il zoome ensuite plus près, en utilisant un filtre intelligent pour nettoyer les bords et définir exactement où se trouvent les chromosomes.
Étape 3 (Le Mask R-CNN) : Enfin, il zoome très fort uniquement sur les chromosomes. Maintenant, l'IA n'a pas à deviner ; elle doit seulement séparer les fils emmêlés les uns des autres.
L'avantage : En rétrécissant le focus étape par étape, l'IA fait moins d'erreurs car elle n'est pas distrait par l'arrière-plan.

3. Le déploiement « Double Porte » (Cloud vs Sur site)

Les hôpitaux ont des règles strictes concernant les données des patients. Certains peuvent envoyer des données vers le « cloud » (l'internet), mais d'autres ne le peuvent pas car les données doivent rester à l'intérieur du bâtiment.

KAYRA est comme une valise universelle. Il est emballé de manière à pouvoir être déballé et exécuté dans deux pièces différentes :
- La pièce Cloud : Il s'exécute sur des serveurs distants puissants (comme un hôtel).
- La pièce Sur site : Il s'exécute sur un ordinateur local à l'intérieur de l'hôpital (comme un bureau à domicile).
La « valise » (le code logiciel) est exactement la même dans les deux pièces. Cela signifie que les hôpitaux stricts sur la confidentialité peuvent toujours utiliser la même IA puissante que ceux qui ne le sont pas.

4. La révision « Humain dans la boucle »

KAYRA ne remplace pas l'expert humain ; il agit comme un dessinateur.

L'IA effectue le tri et l'étiquetage initiaux.
Ensuite, un expert humain regarde l'écran. Il peut voir le travail de l'IA et corriger facilement les erreurs : « Non, ce n'est pas le chromosome 5, c'est le chromosome 10 », ou « Ces deux-là sont collés ensemble, veuillez les séparer ».
Le système enregistre chaque changement effectué par l'humain, créant un historique parfait de la manière dont le résultat final a été atteint.

5. Les résultats : À quel point est-ce bien ?

Les chercheurs ont testé KAYRA contre deux autres systèmes (un ancien, un moderne) en utilisant 459 chromosomes provenant de 10 échantillons de patients.

Séparation des fils : KAYRA a eu raison 98,9 % du temps. L'ancien système a eu raison seulement 40 % du temps, et le concurrent IA moderne a eu raison 78 % du temps.
Tri par type : KAYRA a correctement identifié le type de chromosome 89,1 % du temps. C'était mieux que l'ancien système (54,5 %) et légèrement mieux que l'IA moderne (86,9 %), bien que la différence avec l'IA moderne ne soit pas encore statistiquement énorme.
Orientation : KAYRA a obtenu la bonne rotation 89,7 % du temps. Il était meilleur que l'ancien système mais légèrement en retrait par rapport à l'IA moderne (94,5 %).

La conclusion

Le point principal de cet article est que vous pouvez construire un système d'IA puissant et complexe pour la médecine qui est assez flexible pour fonctionner partout (cloud ou local) et assez robuste pour gérer les erreurs sans planter. Cela prouve qu'un pipeline d'IA multi-étapes peut être emballé dans un service fiable qui aide les médecins à travailler plus vite et plus précisément, tout en maintenant l'expert humain aux commandes de la décision finale.

Note : L'article indique que ce système est actuellement à un niveau de maturité « TRL 6 », ce qui signifie qu'il a été démontré dans un environnement pertinent (une étude pilote) mais qu'il est encore en préparation pour l'approbation réglementaire complète (comme la FDA ou le marquage CE) en vue d'une utilisation clinique généralisée.

1. Énoncé du problème

Le caryotypage est une procédure diagnostique clinique critique impliquant l'identification visuelle, le classement et l'appariement des chromosomes humains à partir d'images microscopiques de métaphases bandées en G. Il est essentiel pour le dépistage prénatal, l'oncologie (par exemple, la détection de la translocation de Philadelphie) et le diagnostic des maladies héréditaires.

Défis actuels : Le processus est actuellement manuel, long (30 à 90 minutes par cas) et repose sur une main-d'œuvre rare de cytogénéticiens hautement qualifiés.
Écart en ingénierie système : Bien que les modèles d'apprentissage profond (par exemple, Mask R-CNN, U-Net) aient démontré une grande précision en segmentation et en classification, il manque des solutions robustes d'ingénierie système. Plus précisément, il est nécessaire de disposer d'un service clinique déployable capable de :
- Gérer des pipelines multi-modèles (détection, segmentation, classification).
- Opérer dans le cadre de contraintes cliniques strictes (résidence des données des patients, flexibilité entre sur site et cloud).
- Intégrer un flux de travail avec « humain dans la boucle » pour la révision par des experts.

2. Méthodologie : Le système KAYRA

KAYRA est un système de caryotypage de bout en bout conçu comme un pipeline de microservices conteneurisés. Il est conçu pour être agnostique au déploiement, exécutant des images de conteneurs identiques dans des environnements cloud (Kubernetes géré) et sur site (Docker Compose).

A. Architecture du système

Le système décompose le flux de travail en microservices à responsabilité unique communiquant via HTTP/REST :

Orchestrateur de pipeline : Coordonne le flux par image. Il met en œuvre un fonctionnement dégradé : si un service en amont échoue, le pipeline saute cette étape et renvoie des résultats partiels plutôt que d'échouer complètement, assurant ainsi son utilité pour le cytogénéticien.
Services de modèles :
1. Segmentation sémantique : EfficientNet-B5 + U-Net.
2. Détection d'instances : Mask R-CNN (ResNet-50 + FPN).
3. Résolution des doublons/recouvrements : Une étape logique dédiée.
4. Classification + Rotation : Classificateur ResNet-18.
Backend : Gère l'ingestion d'images, la file d'attente de tâches asynchrones, les API d'édition interactive et la synthèse de caryogrammes conformes à l'ISCN.
Frontend : Prend en charge l'examen interactif par l'expert (division, fusion, reclassement, rotation des chromosomes) avec des pistes d'audit complètes.

B. Le pipeline de rétrécissement en cascade des régions d'intérêt (ROI)

Une innovation centrale est la stratégie en cascade des régions d'intérêt (ROI), qui applique une approche « diviser pour régner » pour gérer les chromosomes qui se chevauchent et réduire la charge de calcul :

Pré-filtrage Otsu : L'image originale (par exemple 1830×1830) est sous-échantillonnée, binarisée selon la méthode d'Otsu, et les composantes connexes sont étiquetées pour créer un recadrage grossier (crop1).
Raffinement sémantique : crop1 est réduit à 992×992 et traité par un U-Net (backbone EfficientNet-B5) pour générer un masque à 3 classes (arrière-plan, chromosome, chevauchement).
Extraction de ROI serrée : La région non nulle du masque U-Net définit un recadrage plus serré (crop2) à la résolution originale.
Segmentation d'instances : Mask R-CNN s'exécute uniquement sur crop2 (à 0° et 45°) pour détecter les chromosomes individuels et générer des masques précis au pixel.
Classification : Les chromosomes détectés sont recadrés et transmis à un classificateur ResNet-18 pour l'estimation du type de chromosome (1–22, X, Y) et de l'angle de rotation.

Pourquoi la cascade est importante :

Efficacité : Mask R-CNN traite une zone de pixels environ 34 % plus petite, réduisant la charge des propositions RPN.
Stabilité : Des tailles d'entrée fixes (992×992) stabilisent les profils de mémoire et le lotissement (batching).
Précision : Chaque modèle ne voit que les données qu'il est le mieux à même de traiter (par exemple, U-Net élimine le bruit de fond avant que Mask R-CNN n'essaie de séparer les chevauchements).

C. Données d'entraînement

Les modèles ont été entraînés sur un ensemble de données combiné d'environ 24 000 caryogrammes annotés par des experts, incluant :

Des échantillons de sang périphérique et de moelle osseuse.
Des cas structurellement anormaux (translocations, délétions).
Des aberrations spécifiques (par exemple, le chromosome de Philadelphie t(9;22)).
Des données provenant de plateformes commerciales pour une robustesse inter-fournisseurs.
Confidentialité : Le partitionnement des données est effectué au niveau de l'identifiant patient pour prévenir les fuites entre les ensembles d'entraînement/Validation/test.

3. Contributions clés

Architecture de microservices : Un système flexible et conteneurisé supportant à la fois le déploiement cloud et sur site, répondant à l'exigence critique de résidence des données des patients.
Pipeline ROI en cascade : Une approche ingénierique novatrice qui enchaîne le pré-recadrage Otsu, le raffinement sémantique U-Net et la segmentation d'instances Mask R-CNN pour améliorer les performances sur les chromosomes qui se chevauchent.
Validation clinique : Une étude pilote rigoureuse comparant KAYRA à deux systèmes de référence commerciaux (un basé sur le seuillage de densité, l'autre sur une IA moderne) sur de vraies données cliniques.
Intégration humain-dans-la-boucle : Un flux de travail conçu pour l'adoption clinique, permettant aux cytogénéticiens de corriger les sorties de l'IA avec un versionnage et un audit complets.

4. Résultats

Le système a été évalué sur 459 chromosomes issus de 10 étalements de métaphases (7 normaux, 3 anormaux) par rapport à deux références commerciales.

Métrique	KAYRA	Ref 2 (IA moderne)	Ref 1 (Seuil de densité)	Significativité statistique (KAYRA vs Ref 1)
Précision de segmentation	98,91 %	78,21 %	40,52 %	$p < 0,0001$
Précision de classification	89,1 %	86,9 %	54,5 %	$p < 0,0001$
Précision de rotation	89,76 %	94,55 %	78,43 %	$p < 0,0001$

Segmentation : KAYRA a nettement surpassé les deux références, segmentant correctement 454/459 chromosomes. Il a notamment réduit les erreurs de « fusion » par rapport à la Référence 2.
Classification : KAYRA a atteint une précision de 89,1 %, battant significativement l'ancienne Référence 1. La différence par rapport à la Référence 2 (86,9 %) n'était pas statistiquement significative ( $p=0,34$ ) compte tenu de la taille de l'échantillon, bien que KAYRA ait montré des performances supérieures sur les groupes B et C de taille moyenne.
Rotation : KAYRA a légèrement pris du retard sur la Référence 2 (89,76 % contre 94,55 %), identifié comme un domaine d'amélioration via l'augmentation des données d'entraînement.
Robustesse : KAYRA a mieux performé sur des échantillons de moelle osseuse techniquement difficiles (93,5 % de précision) que sur le sang périphérique (86,5 %), probablement en raison de la distribution des données d'entraînement.

5. Importance et conclusion

Préparation clinique : KAYRA a atteint le Niveau de maturité technologique (TRL) 6, démontrant un prototype validé dans un environnement pertinent.
Flexibilité de déploiement : L'architecture prouve que des pipelines d'IA multi-modèles complexes peuvent être emballés pour satisfaire une gouvernance stricte des données cliniques (sur site) sans sacrifier l'évolutivité du déploiement cloud.
Travaux futurs : Le système est agnostique au backbone, permettant des mises à niveau futures vers des modèles basés sur des transformateurs (par exemple, Mask2Former) sans refonte architecturale. Les prochaines étapes prévues incluent une validation multicentrique, l'amélioration de la précision de la rotation et la prise en charge de la sous-représentation du chromosome Y.

Conclusion : KAYRA comble avec succès le fossé entre les modèles académiques d'apprentissage profond et les services cliniques de cytogénétique déployables, offrant une solution robuste, flexible et hautement précise qui s'intègre de manière transparente dans les flux de travail experts existants.