H-XAI-Cervix: conditional hierarchical learning for cervical-cell classification on Herlev and SIPaKMeD

Chaque année, des millions de femmes subissent un test de dépistage simple pour détecter les signes précoces du cancer du col de l'utérus. Un technicien recueille un échantillon de cellules du col de l'utérus, les colore avec un colorant spécial et les place sous un microscope. Un expert humain examine ensuite ces cellules, cherchant des changements subtils dans leur forme, leur taille et leur couleur qui pourraient indiquer une maladie. Ce processus, connu sous le nom de frottis de Pap, est une pierre angulaire de la médecine moderne, pourtant il est lent, exigeant en main-d'œuvre et repose largement sur la compétence de la personne regardant à travers la lentille. Pour aider à accélérer le processus et réduire l'erreur humaine, des scientifiques ont passé des années à apprendre aux ordinateurs à reconnaître ces motifs cellulaires. L'objectif est de construire une intelligence artificielle capable d'observer une cellule unique et de décider si elle est saine ou si elle présente des signes de trouble, agissant ainsi comme une seconde paire d'yeux pour le pathologiste.

Le défi réside dans la manière dont ces cellules sont organisées. Dans le monde réel, les étiquettes médicales ne sont pas simplement une liste plate d'options sans rapport ; elles forment un arbre généalogique naturel. Il existe des catégories larges, telles que « normale » ou « anormale », et au sein de ces groupes larges, il y a des détails plus fins et spécifiques. Un programme informatique qui traite chaque catégorie comme une option égale et indépendante passe souvent à côté des connexions logiques. Il pourrait identifier correctement une cellule comme anormale mais échouer à reconnaître qu'elle appartient à un type spécifique d'anomalie moins sévère, ou vice versa. Les chercheurs voulaient savoir si le fait d'apprendre à un ordinateur à respecter cette structure familiale — comprendre qu'un type spécifique de cellule doit d'abord appartenir à un groupe plus large avant de pouvoir être identifié comme ce type spécifique — rendrait cet outil de diagnostic plus performant.

Un chercheur a entrepris de tester cette idée en utilisant deux collections bien connues d'images cellulaires. Il a construit un modèle informatique conçu pour imiter cette pensée hiérarchique. Au lieu de demander à l'ordinateur de choisir parmi tous les types de cellules à la fois, il l'a contraint à prendre une décision par étapes. D'abord, le modèle devait décider si une cellule était normale ou anormale. Ce n'est qu'après avoir fait ce choix large qu'il pouvait procéder à l'identification du type de cellule spécifique au sein de ce groupe. Cette approche, que l'auteur appelle une hiérarchie conditionnelle, a été comparée à un modèle informatique standard qui tentait de deviner directement le type de cellule spécifique, sans la trier d'abord dans une catégorie large. Le chercheur a testé cela sur deux ensembles de données différents : l'un contenant 917 images de cellules et un autre avec plus de 4 000 images.

Les résultats ont montré que la manière dont l'ordinateur était enseigné importait, mais que le bénéfice dépendait entièrement de la complexité de la tâche. Lorsque le chercheur a testé le modèle sur le plus petit ensemble de données, qui contenait des cellules regroupées en sept catégories différentes, l'approche hiérarchique s'est révélée nettement meilleure. Le modèle qui comprenait l'arbre généalogique identifiait correctement les catégories larges et les types de cellules spécifiques plus souvent que le modèle standard. Dans ce test spécifique, le modèle hiérarchique a amélioré sa précision par une marge notable, classant correctement près de 93 pour cent des cas binaires normaux versus anormaux et environ 74 pour cent des sept types spécifiques. Le modèle standard, qui ignorait la structure familiale, était en deçà dans les deux domaines. Cela suggère que lorsque la tâche consiste à distinguer de nombreuses catégories similaires et complexes, forcer l'ordinateur à suivre un chemin logique l'aide à éviter la confusion.

Cependant, l'histoire a changé lorsque le chercheur a appliqué le même test à l'ensemble de données plus large. Cette collection contenait plus de 4 000 images avec des catégories moins nombreuses et plus distinctes. Dans ce scénario, le modèle informatique standard performait déjà à un niveau très élevé, identifiant les cellules correctement presque tout le temps. Lorsque le chercheur a ajouté la structure hiérarchique à ce modèle, cela n'a pas amélioré les résultats. Le modèle qui suivait l'arbre généalogique a obtenu des résultats tout aussi bons que celui qui ne le faisait pas, mais il n'est pas devenu meilleur. Le chercheur a constaté que la méthode hiérarchique préservait la haute précision du modèle standard mais n'apportait aucune valeur ajoutée lorsque la tâche était déjà facile à résoudre pour l'ordinateur.

L'étude a également examiné le degré de confiance de l'ordinateur dans ses réponses. Dans le plus petit ensemble de données, plus difficile, le modèle hiérarchique faisait de meilleures distinctions entre les types de cellules, mais ses scores de confiance étaient parfois moins parfaitement alignés avec la réalité que ceux du modèle standard. Dans le plus grand ensemble de données, les deux modèles étaient très bien calibrés, ce qui signifie que leurs niveaux de confiance correspondaient à leur précision réelle. Le chercheur a souligné que, bien que l'approche hiérarchique ait aidé l'ordinateur à penser plus logiquement sur l'ensemble de cellules plus petit et plus complexe, elle n'est pas une solution miracle qui améliore automatiquement tous les systèmes d'IA médicale. Le succès de la méthode dépendait de la nature spécifique des données et de la difficulté de la tâche de classification.

En fin de compte, ce travail démontre que la structure du processus d'apprentissage d'un ordinateur peut être tout aussi importante que les données qu'il apprend. En forçant une intelligence artificielle à respecter les relations naturelles entre les différents types de cellules, les chercheurs peuvent parfois construire un classificateur plus intelligent et plus précis, particulièrement lorsqu'il s'agit de distinctions médicales subtiles et complexes. Cependant, cette amélioration n'est pas universelle ; si un ordinateur est déjà excellent dans une tâche, ajouter une structure complexe peut ne pas aider. L'auteur avertit que ces résultats sont basés sur des images de cellules isolées et ne prouvent pas encore qu'un tel système peut diagnostiquer un cancer chez un patient réel. Avant que cette technologie ne puisse être utilisée en clinique, elle doit être testée sur des échantillons de tissus entiers et dans des contextes médicaux réels. Pour l'instant, l'étude offre une leçon claire : dans la quête pour apprendre aux machines à voir comme les médecins, la façon dont nous organisons leur pensée importe, mais la bonne méthode dépend entièrement du problème que nous essayons de résoudre.