A systematic review of quality control efforts for histopathology annotation
Cette revue systématique de 16 études éligibles a révélé que, bien que 62,5 % des recherches sur l'annotation d'images d'histopathologie incorporent des efforts de contrôle de la qualité, le domaine demeure fragmenté avec des mises en œuvre variant entre des mesures de contrôle de la qualité, des fonctionnalités ou une combinaison des deux.
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 du diagnostic médical, un pathologiste est un détective qui examine de fines coupes de tissus sous un microscope pour trouver des signes de maladie. Pour apprendre aux ordinateurs à effectuer ce travail, les scientifiques doivent d'abord leur montrer des milliers de ces images de tissus, en traçant soigneusement des lignes autour des parties importantes pour enseigner à la machine ce qu'elle doit rechercher. Ce processus de tracé de lignes est appelé annotation. Cependant, tout comme un humain peut commettre une erreur en traçant une carte, un ordinateur ou un annotateur humain peut identifier de manière erronée une cellule ou manquer une tumeur. Si l'ordinateur apprend de ces erreurs, ses futurs diagnostics seront défectueux. Pour éviter cela, les chercheurs utilisent des contrôles et des outils spécifiques pour s'assurer que les étiquettes sont correctes. Ces contrôles, connus sous le nom de mesures de contrôle de la qualité, impliquent des humains qui examinent le travail, tandis que les outils, appelés caractéristiques de contrôle de la qualité, sont les boutons et les menus qui permettent à un réviseur d'accepter une étiquette, de la rejeter ou de demander sa correction. Sans ces garde-fous, les pathologistes numériques du futur pourraient être formés sur des informations erronées.
Une revue systématique récente menée par Olivier Rukundo, chercheur à l'Université de Limerick et à l'Université de médecine de Vienne, examine de près l'efficacité avec laquelle ces filets de sécurité sont actuellement utilisés dans le domaine spécifique de l'histopathologie, qui est l'étude des échantillons de tissus. L'étude n'a pas créé de nouveaux logiciels ni mené de nouvelles expériences ; elle a plutôt agi comme un audit complet de la recherche existante. L'auteur a fouillé cinq bases de données scientifiques majeures, jetant un large filet pour trouver toute étude discutant de la manière de vérifier la qualité des étiquettes d'images de tissus. Après avoir trouvé cent vingt et un documents potentiels, le chercheur les a soigneusement filtrés, supprimant les doublons, les communications de conférence manquant de détails et les études qui ne décrivaient pas réellement une méthode de vérification de la qualité. Ce processus rigoureux a laissé un groupe final de seize études répondant aux critères stricts d'inclusion.
La revue a classé ces seize études en trois groupes distincts selon ce qu'elles offraient. Certaines études se concentraient principalement sur l'aspect humain du contrôle de la qualité, proposant des méthodes pour que les experts examinent et corrigent les annotations. D'autres se concentraient sur l'aspect logiciel, introduisant des fonctionnalités numériques qui aident les utilisateurs à décider si une étiquette est bonne ou mauvaise. Un troisième groupe combinait les deux approches, offrant un système où l'examen humain et les outils numériques travaillent ensemble. Les résultats ont révélé une division claire dans le domaine. Globalement, 62,5 % des études ont mis en œuvre des efforts de contrôle de la qualité pour l'annotation d'images d'histopathologie, tandis que 37,5 % ne l'ont pas fait. Cela suggère que, bien qu'une majorité de chercheurs soient conscients de la nécessité de ces garde-fous, une partie importante des travaux dans ce domaine se poursuit encore sans système formel pour détecter les erreurs.
Les études ayant mis en œuvre ces contrôles ont montré une variété d'approches. Certaines reposaient sur la collaboration humaine, où les pathologistes examinaient le travail les uns des autres ou bien où des médecins seniors expérimentés supervisaient les annotations réalisées par des internes juniors. D'autres introduisaient des outils logiciels agissant comme un second regard. Par exemple, certains programmes utilisaient l'intelligence artificielle pour suggérer l'endroit où une structure devrait être dessinée, permettant à un humain d'accepter simplement la suggestion ou de la corriger si elle était erronée. D'autres outils étaient conçus pour repérer les incohérences, signalant les zones où différentes personnes avaient étiqueté la même image de manière différente afin qu'une décision finale puisse être prise. Dans les exemples les plus avancés, le logiciel et l'humain travaillaient en boucle : l'ordinateur faisait une suggestion, l'humain l'examinait, et le système enregistrait si l'humain acceptait ou rejetait la modification, créant ainsi un cycle continu d'amélioration.
Malgré les progrès montrés par la majorité des études examinées, la revue souligne que le domaine n'est pas encore uniforme. Le fait que plus d'un tiers des études incluses n'aient pas mis en œuvre ces efforts de contrôle de la qualité indique que de nombreux projets construisent peut-être encore leurs ensembles de données sans une méthode robuste pour vérifier l'exactitude. La revue ne prétend pas que le problème est résolu ou qu'il existe une méthode parfaite unique. Elle cartographie plutôt le paysage actuel, montrant que si de nombreux chercheurs développent activement des moyens de garantir la propreté de leurs données, il existe encore un écart dans l'adoption. Ce travail sert de rappel que, pour que les ordinateurs deviennent des partenaires fiables dans le diagnostic médical, l'effort humain pour étiqueter les données d'entraînement doit être soutenu par des contrôles cohérents et rigoureux, que ces contrôles proviennent d'un pathologiste senior ou d'un outil numérique conçu pour détecter une erreur.
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.