Segmentation Techniques for Malaria Parasites and Sickle Cells in Peripheral Blood Smear Microscopy: A Systematic Review of Artificial Intelligence Approaches for Field Deployment in Endemic Regions

Dans les recoins tranquilles d'un laboratoire, un microscope révèle un monde invisible à l'œil nu : une fine couche de sang étalée sur une lame de verre, grouillante de minuscules cellules rouges et rondes. Pour les médecins des régions où le paludisme et la drépanocytose sont fréquents, l'examen de ces lames est une tâche quotidienne, une question de vie ou de mort. Ils doivent repérer les parasites microscopiques qui causent le paludisme ou identifier les cellules déformées en forme de croissant qui signalent la drépanocytose. Ce travail manuel est lent, épuisant, et repose entièrement sur l'œil aiguisé et la main sûre d'un expert formé. Pour alléger ce fardeau, les scientifiques ont passé des décennies à apprendre aux ordinateurs à regarder ces images et à trouver les mêmes motifs que les humains. Le processus comprend trois étapes principales : premièrement, nettoyer l'image pour éliminer le bruit ; deuxièmement, tracer une ligne autour de chaque cellule pour la séparer de ses voisines ; et troisièmement, décider de la nature de cette cellule. Cette dernière étape de tracé de lignes, appelée segmentation, est le pont critique entre une photographie floue et un diagnostic fiable. Sans elle, un ordinateur ne peut ni compter les cellules ni savoir si un parasite se cache à l'intérieur de l'une d'elles.

Une nouvelle revue systématique rassemble cinquante études vérifiées pour examiner la performance de ces systèmes informatiques, en se concentrant spécifiquement sur leur capacité à fonctionner sur le terrain, là où ils sont le plus nécessaires. Les chercheurs, basés à l'Université de sciences et de technologie de Mbarara, ont analysé un large éventail d'approches, des méthodes plus anciennes et simples aux outils d'intelligence artificielle modernes et complexes. Ils ont constaté que, bien que des outils puissants existent, le chemin vers un dispositif fiable et portable pour les cliniques isolées est encore en cours de construction. La revue confirme que les ordinateurs peuvent désormais isoler les cellules sanguines individuelles et détecter les parasites avec une grande précision, mais elle souligne également que ces systèmes éprouvent souvent des difficultés lorsque l'éclairage change, que la coloration sur la lame est inégale ou lorsque les cellules se chevauchent en un amas désordonné. Les résultats les plus prometteurs proviennent de systèmes combinant différentes techniques, pourtant les auteurs avertissent que de nombreuses études reposent sur des images parfaites et préparées avec soin, plutôt que sur la réalité désordonnée d'un hôpital de campagne.

La revue distingue deux principaux types de technologies utilisés pour tracer ces lignes autour des cellules. Le premier groupe repose sur des méthodes classiques, qui consistent à suivre un ensemble de règles simples. Ces techniques recherchent des différences de couleur ou de luminosité pour séparer une cellule de l'arrière-plan. Elles sont rapides, nécessitent très peu de puissance de calcul et peuvent fonctionner sur du matériel simple et peu coûteux. Cependant, les auteurs notent que ces méthodes sont fragiles ; si la coloration du sang est légèrement trop sombre ou si la lumière du microscope est inégale, l'ordinateur pourrait ne pas voir la cellule du tout. Le second groupe utilise l'apprentissage profond (deep learning), une forme d'intelligence artificielle qui apprend à reconnaître des motifs en étudiant des milliers d'exemples. Ces systèmes, souvent construits sur des architectures comme U-Net, sont bien plus aptes à gérer des situations difficiles, telles que des cellules qui se touchent ou se chevauchent, ou des images de qualité variable. Ils peuvent apprendre les formes subtiles d'une cellule falciforme ou l'infime point d'un parasite, même lorsque l'image n'est pas parfaite. Pourtant, ces systèmes puissants exigent plus de puissance de calcul et de grandes quantités de données étiquetées pour l'entraînement, ce qui peut constituer un obstacle dans les milieux à ressources limitées.

En examinant spécifiquement le paludisme, les études montrent une progression claire, allant du simple comptage à la détection sophistiquée. Les premiers travaux se concentraient sur la séparation des globules rouges infectés des globules sains en utilisant la couleur et la forme. Les systèmes plus récents utilisent l'apprentissage profond non seulement pour trouver les cellules, mais aussi pour identifier le stade spécifique du parasite à l'intérieur de celles-ci. Une étude notable, RBCNet, a combiné un modèle d'apprentissage profond qui regroupe les cellules avec un système de détection qui affine la localisation de chacune, analysant avec succès près de 200 000 cellules provenant de centaines de patients. Un autre système a utilisé un microscope de téléphone portable pour détecter les parasites, prouvant que l'équipement de laboratoire de haute technologie n'est pas strictement nécessaire. Cependant, la revue souligne que beaucoup de ces succès ont été obtenus sur des ensembles de données soigneusement préparés en laboratoire, ce qui soulève des questions sur leur performance sur une lame préparée par un technicien dans un village reculé avec des fournitures de coloration et un éclairage différents.

Pour la drépanocytose, le défi est légèrement différent. Le diagnostic dépend de la détection de la forme rigide et unique des cellules falciformes, qui s'emmêlent souvent avec les cellules saines et rondes. Ici, la capacité à séparer les cellules qui se chevauchent est le facteur le plus critique. La revue met en avant un exemple particulièrement réussi de déploiement sur le terrain : un système de microscope pour smartphone qui a traité l'étalement sanguin d'un patient en moins de sept secondes. En utilisant un modèle d'apprentissage profond pour segmenter l'image en cellules saines, cellules falciformes et arrière-plan, le système a atteint une précision d'environ 98 % lors d'un test en aveugle. Ce résultat suggère qu'avec la bonne combinaison d'amélioration d'image et de segmentation, un dispositif portable pourrait fournir un dépistage rapide et fiable en dehors d'un laboratoire traditionnel.

Malgré ces avancées encourageantes, les auteurs identifient des lacunes importantes qui empêchent ces technologies de devenir des outils standards dans les régions endémiques. Le principal obstacle est le manque de données standardisées. De nombreuses études utilisent de petits ensembles de données qui ne représentent pas toute la variété des échantillons sanguins observés dans le monde réel, et peu de systèmes sont testés à travers différents hôpitaux ou avec différents types de microscopes. Il existe également un manque de transparence concernant les exigences pratiques de ces systèmes. De nombreux articles rapportent une précision élevée mais omettent de mentionner le temps d'analyse, la mémoire logicielle requise ou la consommation de batterie. Pour qu'un dispositif soit utile dans une clinique de terrain, il doit fonctionner hors ligne, fonctionner sur une simple batterie et fournir un résultat assez rapidement pour aider un médecin à prendre une décision en temps réel.

La revue conclut que l'avenir de l'analyse des frottis sanguins réside dans les systèmes hybrides qui équilibrent puissance et praticité. Si l'apprentissage profond offre une meilleure adaptabilité aux formes cellulaires complexes et aux groupes de cellules qui se chevauchent, les méthodes classiques conservent leur valeur pour leur rapidité et leur faible coût. La voie la plus efficace à suivre, selon les auteurs, est de développer des systèmes qui soient robustes face aux variations de coloration et d'éclairage, validés sur plusieurs sites avec des données réelles de patients, et conçus pour fonctionner sur du matériel portable et à bas coût. Tant que ces systèmes ne pourront pas gérer l'imprévisibilité du terrain aussi bien qu'ils gèrent l'environnement contrôlé d'un laboratoire, la promesse d'un diagnostic entièrement automatisé et accessible pour le paludisme et la drépanocytose restera hors de portée. La technologie est prête, mais le pont vers la clinique exige plus que de la précision ; il exige de la résilience, de la simplicité et une compréhension profonde des conditions dans lesquelles ces outils seront réellement utilisés.