📄 other

Hidden networks, deconstructions, convolutions and colourful revolutions. Explainable multi- class classification for histopathologic lymphoid tissue prototyping

Cette étude présente un cadre de classification multiclasse non supervisé et explicable utilisant des méthodes de densité de noyau de Minkowski et de Cauchy pour atteindre une précision de 95,7 % dans le prototypage d'échantillons de tissus lymphoïdes colorés au CD20, tout en mettant en évidence des motifs de signalisation de diaminobenzidine inhabituels et en identifiant la nécessité de données immunohistochimiques et génétiques élargies pour distinguer les lignées de cellules B et T.

Auteurs originaux : Arshaad Sibda, Turgay Celik, Reubina Wadee

Publié 2026-07-24

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Arshaad Sibda, Turgay Celik, Reubina Wadee

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 que vous êtes un détective tentant de résoudre un mystère à l'intérieur d'une minuscule et bondée cité composée de cellules. Dans le monde de la médecine, cette cité est une coupe de tissu provenant du corps d'un patient, observée sous un microscope. Habituellement, les médecins (les pathologistes) observent ces cités avec leurs yeux, traquant des indices dans les formes et les couleurs des bâtiments (les cellules) pour déterminer quel type de maladie les envahit. Mais parfois, les indices sont trompeurs, l'éclairage est étrange, ou la cité est tout simplement trop grande pour examiner chaque brique individuellement. C'est là que le « deep learning » (apprentissage profond) entre en scène. Considérez le deep learning comme un apprenti robot super intelligent et infatigable capable de scanner des millions de ces cités minuscules en quelques secondes. Cependant, il y a un piège : la plupart de ces robots sont des « boîtes noires ». Ils vous donnent une réponse telle que « C'est un problème de cellule B ! », mais ils ne peuvent pas expliquer pourquoi. Ils ne vous montrent pas leur raisonnement. Ce document s'attaque à ce mystère en construisant un robot qui ne se contente pas de deviner, mais qui expose réellement son tableau de détective, expliquant précisément quels indices ont conduit à la conclusion. Il s'agit de rendre la logique invisible de l'IA visible et compréhensible pour les médecins humains qui ont besoin de lui faire confiance.

Les chercheurs derrière cette étude, travaillant à l'Université du Witwatersrand en Afrique du Sud, ont décidé de construire un nouveau type de « robot détective » spécifiquement conçu pour observer le tissu lymphoïde (un type de tissu immunitaire) qui a été coloré avec un colorant brun spécial appelé CD20. Ce colorant agit comme un surligneur, marquant des cellules B spécifiques (un type de globule blanc) afin qu'elles se détachent sur le fond bleu des autres cellules. Leur objectif était de créer un système capable non seulement de classer ces tissus en différentes catégories avec une grande précision, mais aussi de « déconstruire » son propre processus de pensée afin qu'un humain puisse voir exactement comment il est parvenu à une décision.

Pour ce faire, ils n'ont pas simplement nourri l'ordinateur d'une image en lui demandant une réponse. Au lieu de cela, ils ont construit une autoroute à trois voies pour les données, où l'image du tissu voyage à travers trois flux de traitement différents simultanément, comme une voiture empruntant trois itinéraires différents pour arriver à la même destination afin de comparer leurs notes.

Le Flux A est un scanner de formes et de couleurs. Il décompose l'image en de minuscules grilles pour compter les bords et les formes (en utilisant ce qu'on appelle le HOG) et prend également un instantané du mélange exact des couleurs rouge, vert et bleu (RVB) dans le tissu.
Le Flux B est le détective de texture. Il utilise une boîte à outils de techniques mathématiques avancées pour examiner le « grain » du tissu. Il vérifie les motifs de répétition des couleurs (LBP), mesure l'interaction entre les zones claires et sombres (Haralick), et utilise même un outil mathématique ondulatoire (Wavelets) pour trouver des détails cachés dans la texture. Il examine également spécifiquement le colorant brun (DAB) pour mesurer précisément la présence des cellules cibles.
Le Flux C est un réseau de neurones petit et rapide (un mini-cerveau) qui observe l'image dans son ensemble pour capturer les structures de la « vue d'ensemble » que les deux autres flux pourraient manquer.

Une fois que ces trois flux ont rassemblé leurs indices, le système ne les a pas simplement jetés en vrac. Il les a fusionnés en un énorme vecteur de « super-caractéristiques » à 6 657 dimensions. Pour rendre cela gérable, les chercheurs ont projeté ce gigantesque nuage de données sur une « hypersphère unité ». Imaginez une immense balle invisible où chaque motif de tissu est un point sur la surface. Le système utilise ensuite deux méthodes de notation différentes — Minkowski (MK) et la densité de noyau de Cauchy (CKD) — pour voir à quel point un nouvel échantillon de tissu est proche des « prototypes » (les exemples moyens) qu'il a déjà appris. C'est comme vérifier si un nouveau suspect ressemble davantage au « gang des cellules B » ou au « gang des cellules T » en fonction de sa proximité avec les chefs de groupe sur cette immense balle.

Les résultats ont été impressionnants. Le système a atteint une précision de classification de 95,7 % sur un ensemble de validation de 303 carreaux (petits morceaux de l'image du tissu). Il a correctement identifié 91 carreaux de l'Échantillon 1, 88 de l'Échantillon 2, 14 de l'Échantillon 3 et 93 de l'Échantillon 4. Les chercheurs ont constaté que les deux méthodes de notation (MK et CKD) donnać des résultats identiques, suggérant que le succès du système provenait de la qualité des indices collectés, et non de la mathématique utilisée pour les compter.

Une découverte particulièrement fascinante s'est produite avec l'« Échantillon 1 ». Le système a repéré quelque chose d'inhabituel : le colorant brun (CD20) était présent, mais faible et irrégulier. Les chercheurs ont noté que cela était probablement dû au fait que les cellules étaient dans un état spécifique où elles avaient cessé de produire la protéine CD20, peut-être en raison de traitements antérieurs ou d'un système immunitaire affaibli. Le système ne s'est pas contenté de dire « faux » ; il a mis en évidence ce « signalement inhabituel de la diaminobenzidine » comme une caractéristique clé, montant qu'il pouvait repérer des particularités biologiques subtiles qu'un simple classificateur « oui/non » pourrait manquer.

Cependant, l'article prend soin de ne pas prétendre qu'il s'agit d'une solution miracle qui résout tout. Les auteurs affirment explicitement que leur modèle repose sur une seule coloration (CD20) et qu'il a légèrement éprouvé des difficultés avec l'Échantillon 3, qui comportait moins de points de données pour apprendre (seu seulement 52 carreaux originaux, augmentés à 208). Ils admettent également que le modèle ne pouvait pas parfaitement distinguer les cellules B des cellules T dans tous les cas, car il lui manquait une seconde coloration (comme le CD3) pour confirmer la présence des cellules T. En fait, ils notent que trois carreaux dominés par les cellules B ont été classés à tort comme étant l'Échantillon 4 (qui était principalement composé de cellules T), suggérant que sans données génétiques ou de multi-coloration, le robot peut encore être confus aux frontières.

L'étude conclut que, bien que le système soit hautement efficace pour sa tâche spécifique — trier ces quatre types de tissus lymphoïdes avec une précision de 95,7 % et fournir une carte visuelle claire de pourquoi il a fait ces choix — il n'est pas encore un outil de diagnostic autonome pour toutes les maladies. Les auteurs suggèrent que les travaux futurs devront inclure un panel complet de colorations et des données génétiques pour aider le robot à distinguer plus clairement les différents types de lignées cellulaires. Ils ont construit un cadre transparent et explicable qui fonctionne bien sur les données fournies, mais ils avertissent que généraliser cela au monde plus vaste et plus désordonné des maladies humaines nécessitera un entraînement plus approfondi et des indices plus complexes.

Résumé Technique : Classification Multiclasse Explicable pour le Prototypage de Tissus Lymphoïdes Histopathologiques

Énoncé du Problème
La classification de tissus lymphoïdes histopathologiques riches en chromogènes et en caractéristiques typiquement implique la réduction dimensionnelle d'images de lames entières (WSI) de l'ordre du gigapixel et la déconstruction des données de niveau tuile en composantes de sous-espace de caractéristiques. Ces processus reposent souvent sur des réseaux de neurones profonds (DNN) qui fonctionnent comme des « boîtes noires », offrant des performances élevées mais manquant d'interprétabilité mécaniste pour les pathologistes. De plus, l'ambiguïté de l'évaluation apparaît fréquemment sous microscopie à fond clair, et les cadres existants manquent souvent de visualisation suffisante pour combler le fossé entre l'extraction de caractéristiques abstraites et la compréhension humaine. Cette étude répond au besoin d'un cadre de classification multiclasse non supervisé et explicable, capable de classifier avec précision des échantillons de tissus lymphoïdes colorés par immunohistochimie (IHC) CD20 tout en visualisant les opérations du modèle pour l'interprétabilité.

Méthodologie
L'étude a employé une architecture de base d'extracteur de caractéristiques à trois flux, conçnée sur un serveur local basé sur CPU, traitant des échantillons de tissus lymphoïdes colorés par IHC CD20 dominés par les lymphocytes B. La méthodologie s'est déroulée selon les étapes suivantes :

Collecte de Données et Prétraitement :
- Les échantillons proviennent de patients de deux hôpitaux universitaires en Afrique du Sud, couvrant les périodes 1990–2007 et 2017–2020.
- Quatre lames de verre distinctes (Échantillons S1–S4) ont été sélectionnées, anonymisées et numérisées à un grossissement de 20x à l'aide d'un scanner Leica Biosystems Aperio AT2.
- Le prétraitement a consisté à éliminer le bruit (poussière, plis, bulles d'air) et à extraire des tuiles non chevauchantes de 512x512 pixels. L'échantillon S3, qui ne contenait initialement que 52 tuiles utilisables, a été augmenté synthétiquement à 208 tuiles pour remédier au déséquilibre statistique.
- Le jeu de données final comprenait 652 tuiles d'entraînement et 303 tuiles de validation.
Extraction de Caractéristiques à Trois Flux :
Le modèle a extrait des caractéristiques via trois flux parallèles, chacun étant normalisé indépendamment avant la fusion :
- Flux A (SA) : Combine l'Histogramme de Gradients Orientés (HOG) avec un histogramme de couleurs RGB. Ce flux a capturé les informations de forme des bords et les caractéristiques spectrales, résultant en un vecteur de 6 468 dimensions.
- Flux B (SB) : Un composite de Contraste de Cellule de Haralick (HGLCM), de Motifs Binaires Locaux (LBP), de Transformée en Ondelettes Discrète (DWT), de Morphométrie Cellulaire par Segmentation (WCM) et de caractérisation du DAB CD20. Ce flux a extrait des caractéristiques texturales, microstructurales et morphométriques, résultant en un vecteur de 61 dimensions.
- Flux C (SC) : Un réseau de neurones convolutifs ShallowNet (SN-CNN), un encodeur à quatre couches traitant des tuiles RGB de 96x96 pour produire un vecteur de caractéristiques de 128 dimensions. Cela a fourni une régularisation structurelle spatiale grossière.
Fusion de Caractéristiques et Encastrement Hypersphérique :
- Les caractéristiques des trois flux ont été concaténées et projetées sur une hypersphère unité pour former une représentation hypersphérique unité de 6 657 dimensions ( $\phi(T)$ ).
- Des hyperparamètres d'échelle ( $\alpha_{sb}=0,18$ et $\alpha_{sn-cnn}=0,05$ ) ont été appliqués pour contrôler l'influence angulaire des flux B et C par rapport à l'architecture de base du flux A, garantissant que le vecteur fusionné reste invariant à l'échelle.
Classification et Procédure d'Apprentissage :
- L'étude a utilisé une approche d'apprentissage de prototypes non supervisée, adaptée des travaux d'Angelov sur le prototypage d'images basé sur la mobilité autonome.
- Deux classificateurs basés sur le score ont été implémentés : Minkowski (MK) et la Densité de Noyau de Cauchy (CKD).
- L'algorithme a appris de manière incrémentale les prototypes sur l'hypersphère unité. Les nouvelles tuiles étaient soit absorbées dans les prototypes existants (si elles se trouvaient dans un rayon calibré $r_0 \approx 0,134$ ), soit créées comme de nouveaux prototypes.
- Les décisions de classification étaient basées sur la distance au prototype le plus proche, convertie en score via une fonction exponentielle.

Résultats Clés

Performance : Les classificateurs MK et CKD ont tous deux atteint des métriques de haute performance identiques sur l'ensemble de validation : 95,7 % de précision, un score Kappa de Cohen de 0,938 et un score F1 macro de 95,1 %.
Génération de Prototypes : À partir de 808 tuiles augmentées, le modèle a dérivé 335 prototypes uniques. Les taux de compression variaient selon l'échantillon, S3 présentant la compression la plus élevée (3,15x), indiquant une forte homogénéité interne.
Interprétabilité et Visualisation :
- Analyse PCA : L'Analyse en Composantes Principales (PCA) de l'espace de 6 657 dimensions a révélé que S1 était le plus linéairement séparable, tandis que S2 était le plus hétérogène et difficile à classifier, chevauchant les frontières de décision des autres échantillons.
- Signalisation DAB : Le modèle a identifié avec succès une signalisation inhabituelle de la diaminobenzidine (DAB) dans l'échantillon 1, l'attribuant à une forte probabilité d'immunosuppression et à une population dominante de type plasmablaste où le CD20 est typiquement régulé à la baisse.
- Analyse des Frontières : La décomposition de la matrice de confusion et les visualisations de tessellation de Voronoi ont confirmé que les erreurs de classification étaient concentrées aux frontières de décision (spécifiquement entre S2 et S4) plutôt que distribuées dans l'espace de caractéristiques, validant que les erreurs étaient dues aux limites de la représentation des caractéristiques plutôt qu'à des défaillances du mécanisme de score.

Signification et Revendications
L'article affirme traiter la rareté des cadres de classification explicables qui fournissent des visualisations abondantes pour les pathologistes. En intégrant des contraintes d'interprétabilité, l'étude comble le compromis entre les approches « boîte de verre » (mécaniste) et « boîte noire ». Les auteurs affirment que leur cadre réussit à :

Réaliser une extraction de caractéristiques ciblée et de haute qualité pour les modalités de coloration IHC multi-classes.
Fournir une profondeur de caractéristiques morphométriques spécifiques au domaine à un grossissement de 20x.
Maintenir l'explicabilité et l'interprétabilité sans entraver la fusion des caractéristiques.
Opérer efficacement en utilisant des ressources de calcul basées sur CPU.

L'étude conclut que bien que le modèle ait atteint une grande précision sur un jeu de données de coloration IHC unique, sa généralisation aux niveaux de classes de maladies au-delà de ces contraintes est limitée. Les auteurs notent explicitement que l'exclusion du CD79a (en raison de l'historisme inconnu du rituximab) et l'absence de marqueurs de lignée T (CD3) ou de données de translocation génétique sont des limitations majeures. Les investigations futures sont orientées vers l'incorporation de panels d'immunohistochimie complets et de labels génétiques pour discriminer entre les lésions de lignée B et T.

Articles similaires