L’interprétation des images d’histopathologie a traditionnellement été qualitative et subjective. L’analyse d’image quantitative (QIA) et l’intelligence artificielle (IA) transforment la pathologie en fournissant des mesures reproductibles et objectives qui complètent l’expertise humaine.
Principes de l’Analyse d’Image
La QIA commence par un prétraitement d’image — normalisation des couleurs (standardisation de l’apparence de la coloration entre différents laboratoires), correction du bruit de fond et élimination des artefacts. La segmentation partitionne l’image en régions significatives : tissu vs fond, noyaux vs cytoplasme, tumeur vs stroma, invasif vs in situ. Les algorithmes de segmentation incluent le seuillage (séparation des objets par intensité de pixel), les algorithmes de partage des eaux (séparation des noyaux contigus) et la segmentation basée sur l’apprentissage profond (réseaux de neurones convolutionnels entraînés sur des images annotées manuellement).
L’extraction de caractéristiques quantifie les caractéristiques morphologiques : taille, forme, texture et distribution de la chromatine nucléaires ; caractéristiques architecturales telles que la formation de glandes et la densité tubulaire ; et l’intensité de coloration pour les marqueurs IHC. Le comptage d’objets énumère les figures mitotiques, les cellules positives et les lymphocytes.
Applications en Quantification IHC
La QIA est la plus largement adoptée pour le score IHC. L’indice de prolifération Ki-67 est mesuré comme le pourcentage de noyaux DAB-positifs dans un hot spot sélectionné ou sur toute la zone tumorale. La coloration membranaire HER2 est notée en quantifiant la complétude et l’intensité de la coloration circonférentielle. Le pourcentage et l’intensité ER/PR sont calculés automatiquement, réduisant la variabilité inter-observateur.
Les algorithmes IHC numériques analysent les images d’immunofluorescence multiplex, quantifiant chaque cellule pour plusieurs marqueurs simultanément et cartographiant les relations spatiales entre les cellules immunitaires et les cellules tumorales. Cela permet le calcul de l’immunoscore (densités de cellules T CD3+ et CD8+ au centre de la tumeur et à la marge invasive) et l’évaluation des profils d’exclusion immunitaire.
IA pour le Diagnostic sur H&E
Les algorithmes d’apprentissage profond, en particulier les réseaux de neurones convolutionnels (CNN) et les transformateurs de vision, peuvent classer les régions tissulaires sur les lames H&E en catégories diagnostiques. Des algorithmes publiés ont atteint une précision de niveau pathologiste pour le cancer de la prostate (grading de Gleason), le cancer du sein (détection des métastases ganglionnaires sentinelles), le sous-typage du cancer du poumon et la détection du cancer gastrique.
L’apprentissage faiblement supervisé utilise uniquement des étiquettes au niveau de la lame (par exemple, « cancer » ou « pas de cancer ») plutôt que des annotations au niveau du pixel, permettant l’entraînement d’algorithmes sur de grands ensembles de données provenant d’archives de pathologie. L’apprentissage par instances multiples (MIL) traite chaque lame comme une collection de patchs d’image, apprenant à identifier les patchs pertinents pour le diagnostic sans annotation explicite.
Validation des Algorithmes et Approbation Réglementaire
Les algorithmes d’IA destinés à un usage clinique doivent subir une validation rigoureuse. La validation analytique mesure les performances par rapport à un standard de référence (par exemple, la concordance avec le consensus de pathologistes experts). La validation clinique démontre que l’algorithme améliore les résultats pour les patients ou le flux de travail clinique. La FDA a autorisé des algorithmes d’IA pour la détection du cancer de la prostate, le dépistage des métastases du cancer du sein et le dépistage cytologique cervical. En Europe, le marquage CE-IVD nécessite la conformité au Règlement sur les diagnostics in vitro (IVDR). Les algorithmes nécessitent une surveillance continue pour la dérive des performances due aux changements de protocoles de coloration, de types de scanneurs ou de populations de patients.
Défis de Mise en Œuvre
L’hétérogénéité des données est le défi principal — les algorithmes entraînés sur les lames d’une institution (coloration, scanneur, population) fonctionnent souvent mal sur les lames d’une institution différente. Les techniques d’adaptation de domaine tentent de généraliser les algorithmes entre les sites. L’explicabilité — comprendre pourquoi un algorithme a pris une décision spécifique — est essentielle pour l’acceptation clinique mais difficile pour les modèles d’apprentissage profond. L’intégration dans le flux de travail nécessite que les résultats de l’IA soient délivrés au pathologiste au bon moment et dans un format utilisable, généralement sous forme d’annotations ou de scores dans le visualiseur de lames entières. Le coût — les scanneurs de lames entières, les serveurs GPU et les licences logicielles nécessitent un investissement en capital important ; le remboursement pour le diagnostic assisté par IA n’est pas encore établi dans la plupart des systèmes de santé.
Le Rôle du Pathologiste
L’IA augmente plutôt qu’elle ne remplace le pathologiste. Les algorithmes excellent dans les tâches répétitives (dépistage des métastases, comptage des mitoses) et la quantification (indice Ki-67, score PD-L1) — un travail qui prend du temps et est sujet à la variabilité inter-observateur. Les humains restent essentiels pour intégrer les résultats morphologiques avec le contexte clinique, reconnaître les entités rares non représentées dans les données d’entraînement, exercer un jugement dans les cas ambigus et communiquer les résultats aux cliniciens. Le partenariat pathologiste-IA vise à améliorer la précision, l’efficacité et la reproductibilité tout en maintenant les normes de qualité essentielles pour la sécurité des patients.
