Development and validation of an artificial intelligence-based virtual indigo carmine chromoendoscopy model: a multicenter study

À l'intérieur du corps humain, la paroi de l'estomac et du côlon est un paysage de plis et de vallées subtils. Pour trouver les signes précoces de cancer dans ce terrain, les médecins s'appuient souvent sur une technique appelée chromoendoscopie. Dans cette procédure, un colorant bleu inoffensif est pulvérisé sur le tissu. Le colorant s'accumule dans les minuscules dépressions de la surface, créant une carte à haut contraste qui permet de voir beaucoup plus facilement les bords d'une croissance suspecte ou les détails fins de la structure tissulaire. Cette amélioration visuelle est cruciale pour repérer le cancer avant qu'il ne se propage, pourtant le processus est lent, nécessite une main sûre et dépend fortement de la compétence du médecin qui l'exécute. Pour de nombreux hôpitaux, en particulier ceux qui disposent de moins de ressources, le coût et la complexité des systèmes d'imagerie électronique avancés font de cette pulvérisation manuelle de colorant la seule option, malgré ses difficultés intrinsèques.

Une équipe de chercheurs issus d'hôpitaux chinois a développé une nouvelle façon d'obtenir cette clarté visuelle sans jamais toucher un flacon pulvérisateur. Ils ont créé un système d'intelligence artificielle capable de prendre une image standard, en lumière blanche, de l'estomac ou du côlon, et de la transformer instantanément en une image qui semble exactement comme si un colorant bleu avait été appliqué. Cette technologie de « coloration virtuelle » vise à donner aux médecins les avantages diagnostiques de la méthode traditionnelle de coloration tout en supprimant la nécessité de la procédure physique, rendant potentiellement la détection précoce du cancer plus rapide, plus sûre et plus accessible.

Les chercheurs ont commencé par rassembler une collection massive d'images médicales provenant de cinq hôpitaux différents. Ils ont collecté plus de 9 000 images où le colorant bleu avait été utilisé et plus de 8 000 images correspondantes des mêmes patients prises uniquement en lumière blanche. Ces images provenaient de près de mille cas différents, fournissant une base diversifiée et robuste pour l'entraînement de leur modèle informatique. L'objectif était d'apprendre à l'intelligence artificielle à comprendre exactement comment le colorant modifie l'apparence du tissu — comment il s'accumule dans les creux et souligne les bordures des lésions — afin qu'elle puisse recréer cet effet sur une image ordinaire.

Pour construire ce système, l'équipe a conçu un programme informatique spécialisé basé sur un type d'intelligence artificielle connu sous le nom de réseau antagoniste génératif. Contra contrairement aux programmes plus simples qui pourraient simplement ajouter un filtre bleu, ce modèle a été conçu pour effectuer une transformation complexe, étape par étape. Il a appris à modifier les couleurs et le contraste de l'image pour imiter le colorant tout en préservant strictement l'anatomie sous-jacente. Les chercheurs ont veillé à ce que l'ordinateur n'invente pas de nouvelles structures ou ne déforme pas la forme du tissu, car de telles erreurs pourraient conduire à des diagnostics erronés dangereux. Ils ont testé leur création par rapport à plusieurs autres méthodes informatiques existantes, y compris celles utilisées pour l'édition de photos générales et d'autres tâches d'imagerie médicale.

Les résultats ont montré que leur nouveau modèle était supérieur aux autres à presque tous les niveaux. Lorsque les images générées par ordinateur ont été comparées aux images réelles colorées au bleu, le nouveau modèle a produit des images plus proches en richesse de couleur et en détails structurels. Les images artificielles ressemblaient davantage à la réalité que celles produites par les autres algorithmes. Pour vérifier cela, les chercheurs ont demandé à onze médecins humains, allant d'experts ayant des décennies d'expérience à ceux qui débutent leur carrière, d'examiner les images. Les médecins devaient distinguer les images réelles colorées des images générées par ordinateur, puis évaluer la qualité des images en fonction de la manière dont elles montraient le contraste du tissu, la clarté des limites des lésions et la visibilité des microstructures fines.

Les médecins ont trouvé difficile de distinguer les images fausses des images réelles, n'identifiant correctement les images virtuelles qu'environ 78 % du temps. Cela suggère que les images générées par ordinateur étaient assez convaincantes pour tromper une partie significative des experts. En ce qui concerne la tâche pratique de repérer le cancer, les images virtuelles ont fonctionné remarquablement bien. Les médecins ont jugé que le contraste global et la clarté des limites des lésions dans les images virtuelles étaient presque identiques aux images réelles colorées. Il n'y avait pas de différence significative dans la façon dont les bords d'une croissance pouvaient être vus, ce qui est le facteur le plus critique pour décider de procéder à une biopsie.

Cependant, l'étude a révélé un domaine où les images virtuelles accusaient encore un certain retard. Lorsque les médecins examinaient les détails les plus fins de la surface du tissu, appelés microstructures, ils jugeaient les images virtuelles légèrement inférieures aux réelles. L'ordinateur était excellent pour montrer la vue d'ensemble et les bords des problèmes, mais il n'était pas tout à fait aussi net que le vrai colorant lorsqu'il s'agissait des textures les plus infimes. Cet écart était plus marqué pour les médecins seniors, qui sont formés pour rechercher ces détails subtils, tandis que les médecins moins expérimentés trouvaient les images virtuelles tout aussi claires que les réelles. Cela suggère que la technologie pourrait être particulièrement utile pour les praticiens moins expérimentés, les aidant à voir ce qu'ils doivent voir sans avoir besoin d'années de formation spécialisée.

L'étude conclut que ce modèle d'intelligence artificielle est un outil viable capable de générer des images de coloration virtuelle de haute qualité avec une bonne stabilité et la capacité de fonctionner dans différents hôpitaux. Bien que le système ne soit pas encore parfait pour montrer chaque détail microscopique, il reproduit avec succès les caractéristiques visuelles les plus importantes nécessaires à la détection précoce du cancer. Les chercheurs notent que c'est une étape importante, mais ils soulignent également qu'un contrôle supplémentaire est nécessaire. Les travaux futurs devront confirmer que l'utilisation de ces images virtuelles en temps réel lors d'actuelles procédures sur des patients permet d'améliorer les taux de détection et de sauver des vies. Pour l'instant, l'étude prouve qu'un ordinateur peut apprendre à voir les motifs cachés de la maladie d'une manière qui rivalise avec une main humaine tenant un flacon pulvérisateur.