Le rôle de l'apprentissage automatique dans le pronostic du mélanome

Le Mélanome, c’est un type de cancer de la peau grave qui peut se propager à d’autres parties du corps. Dans le nord de l'Europe, le nombre de personnes touchées par le mélanome est particulièrement élevé, ce qui entraîne des taux de mortalité alarmants. En 2020, près de 2 personnes sur 100 000 sont mortes du mélanome dans cette région. Traditionnellement, les médecins appelés pathologistes évaluent le mélanome en observant des échantillons de tumeurs au microscope. Toutefois, cette méthode peut prendre beaucoup de temps, et différents pathologistes peuvent avoir des conclusions différentes sur le même échantillon. Cette incohérence est une grosse préoccupation car elle peut entraîner des variations dans les traitements et les résultats pour les patients. Avec l’augmentation des cas de mélanome, il y a un besoin urgent de méthodes plus rapides et plus fiables pour prédire le pronostic d’un patient.

#Le rôle de l'Apprentissage automatique en pathologie

L'apprentissage automatique, une branche de l'intelligence artificielle, commence à s'implanter dans le domaine médical, y compris en pathologie. La plupart des applications jusqu'à présent se sont concentrées sur l'identification ou la classification des tumeurs plutôt que sur la prédiction de leur comportement au fil du temps. Ce document présente une nouvelle approche qui utilise un type spécifique d'apprentissage automatique appelé réseau de neurones convolutif (CNN) pour prédire si le mélanome va se propager dans les cinq années suivantes. Le CNN utilisé dans cette étude est basé sur une architecture bien connue appelée VGG16.

#Méthodologie de l'étude

Dans cette recherche, des échantillons ont été prélevés à partir d'images de diapositives entières (WSI) de tumeurs de mélanome. Ces images ont été capturées à différents niveaux de détail, ou de grossissement. Les chercheurs se sont concentrés sur les zones connues pour contenir des tumeurs, extrayant de petits morceaux, ou "Patches", de ces images. Différents niveaux de grossissement ont été testés pour voir lequel produisait les prédictions les plus précises sur le retour ou l'expansion du mélanome.

Les chercheurs ont trouvé que les images prises à un niveau de grossissement de 20x fonctionnaient mieux, produisant un taux de succès prédictif mesuré par un score connu sous le nom de F1 score. Le score F1 pour ce niveau était d'environ 0,77, ce qui indique des performances raisonnablement bonnes pour distinguer entre les cas ayant un bon pronostic et ceux qui n'en avaient pas.

#Importance d'un pronostic précis

Lors du diagnostic du mélanome, les pathologistes s'appuient sur des facteurs spécifiques pour déterminer l'évolution probable de la maladie. Deux facteurs clés sont l'épaisseur de la tumeur et si elle a perforé la peau (ulcération). Des études montrent que les pathologistes peuvent se mettre d'accord sur de nombreux aspects, mais peuvent être en désaccord sur ces facteurs critiques, ce qui crée de la confusion et nécessite des évaluations supplémentaires.

De plus, le nombre d'échantillons de tissus à analyser par les pathologistes augmente régulièrement. Cette demande croissante, combinée aux défis de l'évaluation humaine, nécessite l'utilisation de technologies avancées pour aider dans ce travail exigeant.

#Un nouveau modèle pour prédire le pronostic du mélanome

Les chercheurs ont proposé un modèle multi-échelle pour prédire comment le mélanome pourrait évoluer. En utilisant des patches de la tumeur prélevés à différents Grossissements, ils cherchaient à rassembler des informations complètes. Leur modèle impliquait de séparer ces patches en différentes analyses, de les traiter individuellement, puis de combiner les résultats pour créer une perspective finale.

En termes simples, pensez-y comme à la collecte de pièces d'un puzzle sous différents angles pour obtenir une image plus claire. Cette méthode améliore les chances de faire une prédiction correcte sur l'avenir du mélanome d'un patient.

#Examen des données

Pour l'étude, des données ont été recueillies auprès de patients ayant un mélanome malin confirmé. Chaque échantillon de tumeur de patient a été suivi pendant cinq ans pour voir si le cancer se propageait. Les données utilisées dans la recherche comprenaient 52 échantillons de tumeurs, dont la moitié montrait un bon pronostic et l'autre moitié un mauvais pronostic.

Chaque échantillon a été soigneusement examiné par un pathologiste, qui a délimité les zones contenant les tumeurs. Cette annotation humaine constitue la base du modèle d'apprentissage automatique, qui apprend de ces exemples.

#Extraction et analyse des patches

En raison de la taille massive des WSI, il est impraticable de les analyser dans leur ensemble. Au lieu de cela, seules les sections pertinentes sont traitées, une méthode connue sous le nom d'extraction de patches. Cette étape est cruciale pour se concentrer sur les détails nécessaires sans être submergé par l'image entière.

Les chercheurs ont utilisé une technique spécifique pour extraire des patches au niveau de grossissement de 20x, ce qui a permis une analyse cohérente à travers différents niveaux de zoom. Cette cohérence améliore la qualité de l'entraînement du CNN, lui permettant d'apprendre efficacement à partir des différentes caractéristiques présentes dans les échantillons de tumeurs.

#Entraînement du modèle

Pour s'assurer que le modèle est bien entraîné, diverses techniques de traitement d'image ont été appliquées. L'objectif était de préparer les images de manière à ce que le CNN puisse en tirer des leçons efficacement. Le processus d'entraînement impliquait l'ajustement des paramètres du modèle et l'évaluation de ses performances à travers des tests répétés.

Tout au long de ce processus, les chercheurs cherchaient à trouver un équilibre entre la capture des caractéristiques détaillées des patches individuels et le contexte plus large fourni par les tissus environnants. Ils ont également testé à quel point le modèle prédisait bien les résultats en évaluant le nombre de patches étiquetés comme bon ou mauvais pronostic.

#Résultats de l'étude

Les résultats des prédictions basées sur les patches étaient prometteurs. Le modèle pouvait distinguer efficacement entre les échantillons à bon et à mauvais pronostic, avec des points forts particuliers en sensibilité. La meilleure performance, indiquée par le score F1, a été atteinte au niveau de grossissement de 20x.

En regardant les prédictions faites pour l'ensemble des patients, le modèle a maintenu un niveau élevé de précision à travers différentes architectures. Les modèles ont démontré qu'ils pouvaient obtenir des résultats fiables, le modèle le plus performant montrant une forte indication de son efficacité.

#Conclusion et travaux futurs

Cette étude démontre qu'il est possible d'utiliser des CNN pour prédire comment le mélanome pourrait évoluer à l'avenir, même avec une quantité limitée de données. Les performances impressionnantes du modèle indiquent qu'une application plus large pourrait donner encore de meilleurs résultats. Bien que l'étude actuelle ait utilisé une seule WSI par patient, les recherches futures pourraient explorer des ensembles de données plus importants et inclure plusieurs diapositives pour chaque cas. Cette approche pourrait aider à affiner davantage les modèles et à améliorer leur pouvoir prédictif.

Le défi continu dans le pronostic du mélanome est considérable, mais des avancées comme cette étude apportent l'espoir de diagnostics plus précis et plus rapides qui pourraient améliorer les résultats des patients. À mesure que la technologie continue d'évoluer, le potentiel des applications d'apprentissage automatique en pathologie est immense, ouvrant la voie à des solutions innovantes pour des défis médicaux de longue date.