Automated Classification of AML and Multiple Myeloma from Blood Smear Whole Slide Images using Deep Neural Networks
Cet article présente un pipeline d'apprentissage profond entièrement non supervisé qui atteint une grande précision diagnostique dans la classification de la leucémie myéloïde aiguë et du myélome multiple à partir d'images de lames entières de frottis sanguins en combinant la détection de contours de Sobel, le partitionnement par modèle de mélange gaussien et l'apprentissage par transfert basé sur VGG16 sans nécessiter d'annotations manuelles.
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
Dans le monde calme et à enjeux élevés du diagnostic médical, les pathologistes s'appuient souvent sur l'outil le plus fondamental disponible : le microscope. Lorsqu'un patient présente des symptômes de cancer du sang, un médecin prend une minuscule goutte de sang, l'étale sur une lame de verre et la colore avec des colorants pour révéler l'architecture cachée des cellules. Deux formes particulièrement agressives de cancer du sang, la leucémie myéloïde aiguë et le myélome multiple, laissent des empreintes distinctes dans ces paysages cellulaires. Pendant des décées, l'œil humain formé a été la référence pour lire ces lames, identifiant les différences subtiles de forme et d'arrangement des cellules qui signalent la maladie. Cependant, la médecine moderne a commencé à numériser ce processus, créant de gigantesques images numériques à haute résolution de lames entières. Ces fichiers numériques sont si volumineux qu'ils se mesurent en gigapixels, contenant des millions de détails minuscules qui submergent les programmes informatiques traditionnels. Le défi pour les scientifiques a été d'apprendre aux ordinateurs à voir ce qu'un pathologiste humain voit dans ces fichiers énormes sans se perdre dans le volume massif de données ou nécessiter qu'un humain pointe manuellement chaque cellule.
Une équipe de chercheurs de l'Université Lewis a développé une nouvelle façon de résoudre ce problème, créant un système capable de distinguer automatiquement la leucémie myéloïde aiguë du myélome multiple à partir de ces énormes lames de sang numériques sans aucune aide humaine. Au lieu d'essayer d'analyser l'image géante entière d'un coup, ce qui est trop lourd pour un ordinateur, les chercheurs ont décomposé le problème en morceaux plus petits et gérables. Ils ont traité la lame numérique comme une gigantesque mosaïque et l'ont découpée en milliers de minuscules carreaux carrés. La première étape consistait à apprendre à l'ordinateur à ignorer les espaces vides. Tout comme un humain ignorerait les marges blanches vides d'une page pour se concentrer sur le texte, les chercheurs ont utilisé un filtre mathématique pour mettre en évidence les contours des objets dans l'image. Ce filtre, connu sous le nom de détecteur de contours Sobel, agit comme un surligneur, traçant les contours des cellules et des tissus tout en faisant disparaître l'arrière-plan vide et les bords sombres de la lame.
Une fois que l'ordinateur a identifié les carreaux contenant réellement du matériel biologique, il a utilisé une méthode de regroupement (clustering) pour séparer les carreaux utiles des carreaux inutiles. Ce processus est similaire au tri d'un sac de billes mélangées par couleur sans jamais être informé des couleurs ; l'ordinateur a examiné les motifs de contours dans chaque carreau et les a regroupés par similitité. Cette approche non supervisée a permis au système d'écarter automatiquement les carreaux qui n'étaient que de l'arrière-plan vide ou des artefacts d'image, ne laissant derrière lui qu'une collection propre de carreaux remplis de structures cellulaires. À partir de l'ensemble original de trente-quatre lames numériques, ce processus de filtrage a produit près de 385 000 carreaux informatifs contenant des cellules, tout en écartant plus de 154 000 carreaux n'offrant aucune valeur diagnostique.
Avec une collection de ces carreaux cellulaires organisée, les chercheurs se sont ensuite tournés vers un outil puissant appelé apprentissage par transfert (transfer learning) pour apprendre à l'ordinateur à distinguer les deux maladies. Ils ont utilisé un modèle d'apprentissage profond préexistant, initialement entraîné sur des millions de photographies quotidiennes de chats, de chiens et de voitures, et l'ont réutilisé pour observer des cellules sanguines. Comme l'ordinateur avait déjà appris à reconnaître des formes, des textures et des motifs complexes grâce à son entraînement sur des images générales, il pouvait rapidement s'adapter à la tâche spécifique d'identification des cellules cancéreuses du sang sans avoir besoin d'une base de données massive d'images médicales étiquetées. Les chercheurs ont injecté les carreaux sélectionnés dans ce système, qui a extrait des caractéristiques profondes et cachées des images et les a transmises à un réseau neuronal conçu sur mesure pour prendre la décision finale. Ce réseau a appris à reconnaître les différences morphologiques subtiles entre les deux types de cancer, devenant ainsi un classificateur expert.
Les résultats de ce pipeline automatisé ont été remarquablement précis. Lorsqu'il a été testé sur un ensemble de carreaux qu'il n'avait jamais vus auparavant, le système a correctement identifié le type de cancer dans près de quatre-vingt-dix-sept pour cent des cas. Il s'est avéré très efficace pour détecter la maladie lorsqu'elle était présente et tout aussi performant pour confirmer son absence, minimisant ainsi le risque de fausses alertes. Pour s'assurer que l'ordinateur ne faisait pas que deviner, les chercheurs ont utilisé une technique de visualisation qui mettait en évidence les parties exactes de l'image que le modèle regardait lorsqu'il prenait sa décision. Ces cartes visuelles ont montré que le système se concentrait sur les structures cellulaires réelles, les mêmes caractéristiques qu'un pathologiste humain examinerait, plutôt que sur du bruit aléatoire ou des parties non pertinentes de la lame.
Ce travail démontre qu'il est possible de construire un outil de diagnostic hautement précis pour le cancer du sang en utilisant un processus entièrement automatisé qui ne nécessite aucun étiquetage manuel d'images par des médecins. En combinant la détection de contours pour trouver les cellules, le regroupement pour nettoyer les données et l'apprentissage par transfert pour extraire les caractéristiques, les chercheurs ont créé un pipeline qui surpasse de nombreuses méthodes existantes reposant sur des techniques plus anciennes et moins sophistiquées. L'étude suggère que même avec un nombre relativement restreint d'échantillons de patients, il est possible d'atteindre une grande précision diagnostique si les données sont traitées correctement. Toutefois, les auteurs précisent avec prudence que ce système est conçu pour assister les professionnels de santé, et non pour les remplacer. Le modèle actuel a été entraîné et testé sur des carreaux tirés du même ensemble de lames, ce qui signifie qu'il n'a pas encore prouvé son efficacité sur des patients totalement nouveaux provenant d'hôpitaux différents ou utilisant des méthodes de coloration différentes. Bien que cette technologie soit très prometteuse pour l'avenir de la pathologie numérique, les chercheurs soulignent que des tests supplémentaires sur des groupes de patients indépendants sont nécessaires avant qu'un tel outil puisse être utilisé dans un cadre clinique réel pour guider les décisions de traitement.
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.