Multi-Class Gastric Histopathology Classification Using a Hybrid Swin Transformer–ConvNeXt Model
Cet article présente un modèle d'apprentissage profond hybride Swin Transformer–ConvNeXt, intégré à une interface web basée sur Flask, qui atteint une précision de 75,35 % dans la classification d'images d'histopathologie gastrique en huit types de tissus distincts afin d'assister les pathologistes dans le diagnostic du cancer gastrique.
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
Chaque année, environ 660 000 personnes perdent la vie à cause du cancer de l'estomac, une maladie où la différence entre la vie et la mort dépend souvent de la précocité du diagnostic. La norme actuelle pour le diagnostic repose sur un pathologiste, un spécialiste médical hautement qualifié, qui scrute au microscope de fines coupes de tissus colorées avec des teintures colorées. Cet expert humain doit identifier des motifs subtils dans le paysage cellulaire pour distinguer les tissus sains des excroissances cancéreuses. Cependant, ce processus est lent, exigeant et sujet à l'erreur humaine ; deux médecins expérimentés regardant la même lame peuvent ne pas toujours être d'accord sur ce qu'ils voient. À mesure que le nombre de patients augmente, l'écart entre le besoin de diagnostic et la disponibilité des spécialistes s'élargit, créant un goulot d'étranglement qui retarde le traitement. Ces dernières années, les scientifiques se sont tournés vers l'intelligence artificielle pour aider à porter ce fardeau, en apprenant aux ordinateurs à reconnaître des motifs dans les images médicales qui pourraient être trop ténus ou complexes pour que l'œil humain puisse les saisir de manière constante.
Une équipe de chercheurs du Pakistan a franchi une étape significative dans ce domaine en créant un nouveau système informatique conçu pour analyser le tissu gastrique avec une plus grande précision. Au lieu de simplement demander à un ordinateur de décider si un échantillon est « cancéreux » ou « non cancéreux », ils ont construit un outil capable de trier le tissu en huit catégories distinctes. Il s'agit d'une distinction cruciale car savoir exactement quel type de tissu non cancéreux est présent — qu'il s'agisse de graisse, de muscle, de mucus ou de cellules immunitaires — fournit un contexte vital pour le diagnostic global d'un médecin. Les chercheurs ont développé un système hybride qui combine deux types différents de modèles d'intelligence artificielle. Un modèle, inspiré de la façon dont les humains traitent le langage, est excellent pour comprendre l'agencement global et général du tissu. L'autre modèle, basé sur des techniques traditionnelles de traitement d'images, est exceptionnellement doué pour repérer les détails minuscules et les textures fines où se cachent souvent les signes précoces de la maladie. En laissant ces deux modèles travailler ensemble et voter sur la réponse finale, le système crée une image plus complète que ce qu'aucun des deux ne pourrait accomplir seul.
Pour tester leur idée, l'équipe a utilisé une vaste collection d'images numériques prises à partir d'échantillons de tissus gastriques, qu'ils ont nettoyées en utilisant une séquence spécifique d'étapes pour éliminer le bruit et accentuer le contraste. Ils ont ensuite entraîné leur système hybride sur ces images, lui apprenant à reconnaître les huit différents types de tissus : tissu tumoral, graisse, débris, lymphocytes (cellules immunitaires), mucus, muscle lisse, muqueuse gastrique normale et un tissu de soutien appelé stroma. Le système a été testé sur des images qu'il n'avait jamais vues auparavant, et il a correctement identifié le type de tissu environ 75 % du temps. Bien que cela puisse sembler un score modeste, c'est une amélioration claire par rapport aux systèmes à modèle unique que les chercheurs ont essayés à titre de comparaison, lesquels peinaient à atteindre le même niveau de précision. L'approche hybride a prouvé que combiner la vue d'ensemble d'un modèle avec la vue de près de l'autre était une stratégie plus efficace pour cette tâche complexe.
Les chercheurs ne se sont pas arrêtés à la simple construction d'un modèle ; ils l'ont enveloppé dans une application logicielle fonctionnelle que toute personne disposant d'un navigateur Web peut utiliser. Un utilisateur peut télécharger l'image d'une lame de tissu, et en quelques secondes, le système renvoie une prédiction de la nature du tissu, accompagnée d'un score de confiance et d'une explication en langage clair du résultat. Le système conserve également un registre des analyses passées, permettant aux médecins ou aux chercheurs de consulter les résultats précédents. L'équipe a pris soin de noter que ce système est actuellement un prototype de recherche, et non un outil prêt pour une utilisation immédiate dans un hôpital. La précision, bien que prometteuse, n'est pas encore assez élevée pour remplacer un médecin humain, et le système confond parfois deux types spécifiques de tissus sains qui se ressemblent beaucoup. De plus, le système a été entraîné sur des images provenant d'une source unique, il est donc incertain de savoir comment il se comporterait sur des échantillons provenant de différents hôpitaux ou avec différentes méthodes de coloration.
Malgré ces limites, ce travail offre une voie claire pour l'avenir. L'étude suggère que l'avenir de la pathologie assistée par ordinateur réside dans la combinaison de différents types d'intelligence artificielle pour capturer toute la gamme d'informations d'un échantillon de tissu. Les chercheurs prévoient d'améliorer leur système en ajoutant des explications visuelles qui montrent exactement quelles parties de l'image ont conduit à une conclusion spécifique, une caractéristique qui aiderait les médecins à faire confiance au jugement de la machine. Ils visent également à entraîner le système sur un ensemble d'images beaucoup plus large et plus diversifié afin de réduire la confusion entre les tissus similaires. En jetant un pont entre les données brutes et une interface utilisable, ce projet démontre que, si l'intelligence artificielle n'est pas encore un remplacement de l'expertise humaine, elle devient un partenaire puissant dans le travail long et difficile du diagnostic du cancer.
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.