Development and Validation of SERRATE: A Deep Learning-Based Tool for Diagnosis of Sessile Serrated Lesions in Colonoscopy Images
Cette étude présente SERRATE, un outil basé sur l'apprentissage profond utilisant des modèles Swin Transformer entraînés sur des ensembles de données équilibrés d'imagerie en lumière blanche et à bande étroite, qui démontre une précision cliniquement pertinente pour distinguer les lésions serrées sessiles des autres types de polypes afin d'améliorer la prévention du cancer colorectal.
Article original sous licence CC BY 4.0 (https://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 votre corps comme un vaste jardin sinueux où un jardinier caché plante occasionnellement de petites graines sournoises. La plupart de ces graines deviennent des mauvaises herbes inoffensives, mais quelques-unes sont des « agents dormants » : elles semblent innocentes au début, mais peuvent finir par se transformer en vignes envahissantes et dangereuses qui étouffent le jardin. Dans le monde de la médecine, ce jardin est le côlon, et ces graines sournoises sont appelées polypes. Bien que les médecins soient experts depuis longtemps pour repérer les mauvaises herbes évidentes et laides (connues sous le nom d'adénomes conventionnels), il existe un type spécifique d'agent dormant appelé « lésion serrée sessile » (LSS), qui est notoirement difficile à trouver. Ces LSS sont plates, se fondent dans les tissus environnants et ressemblent souvent exactement à des polypes hyperplasiques inoffensifs. Parce qu'elles sont si difficiles à distinguer, les médecins les manquent parfois ou les confondent avec des excroissances sans danger, laissant les agents dormants derrière eux pour causer des problèmes plus tard.
Pour résoudre cela, les scientifiques construisent des « lunettes intelligentes » pour les médecins en utilisant l'intelligence artificielle (IA). Considérez l'IA comme un apprenti super observateur qui a examiné des millions de photos de polypes pour apprendre la différence entre une mauvaise herbe inoffensive et un agent dormant dangereux. Cependant, jusqu'à présent, la plupart de ces apprentis numériques ont été entraînés principalement sur les mauvaises herbes faciles à repérer et n'ont pas eu assez de pratique avec les LSS complexes, ce qui les a conduits à commettre des erreurs. Ce nouvel étudiant introduit un apprenti fraîchement et spécialement formé, nommé SERRATE, conçu spécifiquement pour repérer ces évasives LSS avant qu'elles ne causent de tort.
L'équipe derrière SERRATE, dirigée par des chercheurs de l'Hôpital du Collège Médical de l'Union de Pékin et de l'Université de l'UMass Lowell, a décidé de construire son modèle d'IA en utilisant une approche très juste et équilibrée. Au lieu de simplement nourrir l'ordinateur avec des milliers de polypes faciles à repérer, ils ont soigneusement rassemblé une « salle de classe » d'images contenant un mélange égal de trois types : les LSS dangereuses, les adénomes communs et les polypes hyperplasiques inoffensifs. Ils ont utilisé un type sophistiqué d'architecture d'IA appelé Swin Transformer, qui est comme un détective qui ne regarde pas seulement le centre d'une image, mais prête également une attention particulière aux alentours.
Les chercheurs ont testé deux façons différentes d'observer les polypes : la lumière blanche standard (comme une lampe de poche normale) et l'imagerie en bande étroite (NBI), qui utilise une lumière colorée spéciale pour mettre en évidence les vaisseaux sanguins et les motifs de surface. Ils ont également expérimenté la quantité de « contexte » que l'IA percevait. Au lieu de recadrer l'image de manière serrée autour du polype, ils ont permis à l'IA de voir le polype plus un peu de tissu sain environnant (1,5 fois ou 2 fois la taille de la lésion).
Les résultats étaient prometteurs. Lorsque le modèle SERRATE a été testé sur de nouvelles images inédites provenant du même hôpital (une validation interne prospective), il s'est révélé très affûté. En utilisant la lumière spéciale NBI et la vue « contexte 2x », le modèle a atteint une précision de 82,42 % dans l'identification correcte des polypes. Dans une course à trois voies pour distinguer les LSS, les adénomes et les polypes hyperplasiques, le modèle a réussi 73,44 % du temps. Plus important encore, lorsque l'objectif était simplement de distinguer les polypes « dangereux » (LSS et adénomes) des polypes « sûrs » (polypes hyperplasiques), le modèle a atteint une précision de 91,07 %.
Cependant, l'histoire n'est pas encore un conte de fées parfait. Lorsque les chercheurs ont testé ce même modèle sur un ensemble de données totalement différent provenant d'hôpitaux aux Pays-Bas (le jeu de données externe POLAR), la performance a chuté. La précision est tombée à 69,46 % pour la classification à trois voies. Cela suggère que, bien que le modèle soit un étudiant talentueux dans sa propre salle de classe, il est encore un peu confus lorsque l'éclairage, la caméra ou l'environnement changent. Les auteurs suggèrent que cela est probablement dû au fait que différents hôpitaux utilisent des équipements différents, créant un « décalage de domaine » que l'IA n'a pas encore pleinement appris à gérer.
Malgré cet obstacle, l'étude suggère que donner à l'IA une vue plus large de la scène — voir le polype et ses voisins — l'aide à faire de meilleures suppositions. Le modèle a également montré qu'il pouvait identifier avec confiance l'emplacement des polypes dans 100 % des cas, avec 92 % de ces prédictions faites avec un haut niveau de confiance. Les chercheurs concluent que SERRATE est une étape significative, offrant un outil qui pourrait aider les médecins à attraper ces agents dormants sournois plus souvent. Cependant, ils précisent que ce n'est pas une baguette magique qui remplace le médecin ; c'est plutôt un assistant puissant qui a besoin de plus d'entraînement pour fonctionner parfaitement dans chaque hôpital du monde. L'équipe prévoit maintenant de mener d'autres études pour voir comment cet outil se comporte en temps réel lors de coloscopies réelles, espérant transformer cet apprenti numérique en un partenaire fiable dans la lutte contre le cancer colorectal.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.