Automated Detection of Sickled Erythrocytes in Peripheral Blood Smear Images Using YOLO-Based Object Detection
Cet article présente un cadre fondé sur la clinique et basé sur YOLO pour la détection automatisée des érythrocytes falciformes dans les frottis de sang périphérique, atteignant une précision élevée (mAP50-95 = 0,857) grâce à des stratégies d'imagerie et d'annotation optimisées afin de permettre un suivi de la maladie à grande échelle.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Dans le monde microscopique du sang humain, les globules rouges sont généralement des disques ronds et souples qui circulent fluidement à travers les minuscules vaisseaux du corps. Mais pour les personnes atteintes de la drépanocytose, une maladie génétique affectant l'hémoglobine, ces cellules peuvent devenir rigides et déformées. Lorsque les niveaux d'oxygène chutent, les cellules se tordent pour prendre des formes de croissants qui ressemblent à la lame courbe d'un outil agricole. Ces cellules falciformes sont dangereuses ; elles sont assez rigides pour boucher les vaisseaux sanguins étroits et assez fragiles pour se briser facilement, provoquant de la douleur et des dommages organiques. Pour comprendre la gravité de l'état d'un patient, les médecins regardent traditionnellement une goutte de sang sous un microscope, comptant et catégorisant ces cellules à l'œil nu. Cependant, ce processus manuel est lent, fatigant et sujet à des différences de jugement entre les médecins, surtout lorsque les cellules sont entassées ou présentent des apparences légèrement différentes les unes des autres.
Une équipe de chercheurs de l'Université Texas Tech a développé une nouvelle façon d'automatiser cette tâche difficile en utilisant un type d'intelligence artificielle conçue pour trouver et identifier des objets dans des images. Au lieu d'essayer de deviner l'état général d'un échantillon de sang d'un seul coup d'œil, leur système apprend à repérer les cellules individuelles, en distinguant les globules rouges sains et ronds des cellules falciformes dangereuses. En entraînant un ordinateur à reconnaître la géométrie spécifique de ces cellules, les chercheurs ont créé un outil capable d'analyser l'image d'un frottis sanguin et de compter les cellules falciformes avec une grande précision. Cette approche offre une voie potentielle vers un diagnostic et un suivi plus rapides et plus cohérents pour une maladie qui affecte des millions de personnes à travers le monde, particulièrement dans les régions où l'accès à des experts médicaux spécialisés est limité.
Les chercheurs ont commencé par collecter des échantillons de sang provenant de patients présentant une drépanocytase confirmée, incluant des patients dans un état stable et d'autres traversant une crise douloureuse connue sous le nom d'événement vaso-occlusif. Pour faciliter la tâche de comptage de l'ordinateur, ils ont soigneusement dilué les échantillons de sang avant de les placer sur des lames de verre. Cette étape a permis d'étaler les cellules, réduisant ainsi le nombre de fois où elles se chevauchaient ou s'agglutinaient, ce qui peut confondre tant l'œil humain que les algorithmes informatiques. Ils ont ensuite utilisé un microscope haute puissance pour prendre des photographies claires et détaillées de ces lames. Comme les images étaient extrêmement grandes et détaillées, l'équipe les a décomposées en sections plus petites et se chevauchant. Cette technique a permis à l'ordinateur d'examiner les détails fins de chaque cellule sans perdre le contexte de l'image entière, garantissant que même les plus petits traits d'une cellule falciforme soient visibles.
Pour enseigner à l'ordinateur ce qu'il doit chercher, les chercheurs ont manuellement marqué des milliers de cellules dans ces images, en traçant un cadre autour de chacune et en la étiquetant soit comme un globule rouge normal, soit comme une cellule falciforme. Ils ont pris soin d'exclure les cellules coupées au bord de l'image ou trop floues pour être identifiées clairement, s'assurant ainsi que l'ordinateur n'apprenne que des exemples parfaits. Une fois que l'ordinateur a possédé cette bibliothèque d'images étiquetées, ils ont testé plusieurs versions différentes d'un système de détection appelé YOLO, qui signifie "You Only Look Once" (Vous ne regardez qu'une seule fois). Ce système est conçu pour scanner l'intégralité d'une image en une seule passe, en prédisant simultanément la position et la nature des objets. L'équipe a entraîné plusieurs versions de ce système, allant de modèles plus petits et plus rapides à des modèles plus larges et plus complexes, afin de voir lequel performait le mieux pour trouver les cellules falciformes.
Les résultats ont montré que la version la plus avancée du système, connue sous le nom de YOLO11, était la plus efficace. Elle a réussi à identifier et à localiser les cellules falciformes avec un haut degré de précision, trouvant correctement la vaste majorité d'entre elles tout en faisant rarement l'erreur de confondre une cellule normale avec une cellule falciforme. En fait, le système était si performant qu'il confondait très peu les deux types de cellules ; la plupart de ses erreurs ne provenaient pas d'une confusion entre les types de cellules, mais parce qu'il manquait des cellules partiellement cachées ou parce qu'il repérait des cellules que les experts humains avaient délibérément laissées non étiquetées en raison de leur forme ambiguë. Cette découverte souligne un point crucial : la qualité des données et le soin apportés à la préparation des images étaient tout aussi importants que le programme informatique lui-même. Les chercheurs ont constaté que le simple fait de rendre le modèle informatique plus grand ne le rendait pas toujours meilleur ; dans certains cas, la complexité supplémentaire entraînait la mémorisation des images d'entraînement par le modèle plutôt que l'apprentissage des règles générales des formes cellulaires.
L'étude démontre qu'il est possible de construire un système automatisé fiable pour la détection des cellules falciformes qui fonctionne bien, même dans des images encombrées et complexes. L'équipe souligne que son succès a reposé fortement sur un processus standardisé, de la préparation du sang à l'étiquetage des images. Bien que le système ait performé exceptionnellement bien sur les images spécifiques sur lesquelles il a été entraîné, les chercheurs notent que les environnements médicaux réels peuvent varier considérablement en termes d'éclairage et d'équipement. Par conséquent, ils suggèrent que cette méthode constitue une base solide qui nécessite des tests supplémentaires sur des groupes de patients plus larges et plus diversifiés avant de pouvoir être largement utilisée en clinique. En fournissant une méthode claire et reproductible pour analyser les frottis sanguins, ce travail offre une étape prometteuse vers un suivi plus objectif et plus accessible de la drépanocytose, permettant potentiellement aux médecins de suivre la progression de la maladie et l'efficacité des traitements avec une plus grande cohérence.
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.