La combinaison de l'intelligence humaine et de l'intelligence artificielle rend quasiment impossible l'erreur ou l'insuffisance diagnostique dans le cancer mammaire métastasé.

Une étude scientifique récente du Massachussetts Institute of Technology montre que c'est la combinaison de l'Intelligence Artificielle (IA) et de l'Intelligence Humaine (IH) qui rend quasiment impossible une erreur ou une insuffisance diagnostique dans le dépistage d'une métastase ganglionnaire sentinelle d'un cancer mammaire.

Dayong Wang, Aditya Khosla, Rishab Gargeya, Humayun Irshad, Andrew H. Beck. Deep Learning for Identifying Metastatic Breast Cancer https://arxiv.org/pdf/1606.05718.pdf 

INTRODUCTION

La spécialité médicale d"anatomopathologie a la charge d’assurer le diagnostic définitif d'une maladie, notamment d'un cancer, pour guider le traitement des patients et prendre les bonnes décisions de prise en charge.

Normalisé et précis, la reproductibilité du  diagnostic pathologique est essentielle pour faire progresser la médecine de précision. Depuis le milieu du 19ème siècle, le principal outil utilisé par les pathologistes pour établir des diagnostics a été le microscope.

Les limites de l'analyse visuelle des images microscopiques  sont connues et nombreuses : le manque de normalisation à l'origine d'erreurs diagnostiques, l'imprtante charge cognitive due à la nécessité d'évaluer des millions de cellules de centaines de lames dans une journée de travail typique du métier de médecin pathologiste. C'est la raison pour laquelle, dans les dernières décennies, Il y a eu un intérêt croissant dans le développement de méthodes informatiques pour aider à l’analyse des images pathologiques microscopiques.

Depuis 2015, plusieurs équipes sde chercheurs e consacrent à la mise en place de nouveaux outils reposant sur la méthode du Deep learning afin d'améliorer le diagnostic histologique de prélèvements de ganglions loco-régionaux d'une tumeur mammaire.

L’évaluation des ganglions sentinelles du sein est un élément important pour le classement TNM du cancer selon l’American Joint Committee. En effet, la classification TNM est plus élevée en cas de métastases ganglionnaires loco-régionales du cancer mammaire et guide des choix thérapeutiques précis.

L’examen anatomopathologique des ganglions sentinelles est longue et fastidieuse pour le pathologiste, notamment lorsque le premier examen extemporané des ganglions prélévés se révèle négatif, alors qu'une étude plus approfondie en laboratoire peut révéler des petits foyers cancéreux métastatiques grâce à l'usage d'une technique immunohistochimique de protéines (kératines) exprimées seulement sur les cellules cancéreuses du sein. Cette étude immunohistochimique est longue, coûteuse et nécessite beaucoup de lames de coupe. Des systèmes d'analyse des images, assistés par ordinateur, ont été développés pour rendre plus rapide l'analyse immunohistochimique. Cependant, ces systèmes ne peuvent être utilisés en clinique courante, notamment lors de l'examen extemporané des ganglions prélevés.

Ainsi la recherche d'une méthode d'analyse rapide et moins fastidieuse par l'intelligence artificielle (IA, deep learning) est aujourd'hui très active dans de nombreux laboratoires de l'IA.

METHODES

Le dataset Camelyon16 se compose d’un total de 400 images sur diapositives (SMSI), divisées en 270 pour la formation et 130 pour l’essai. Les échantillons proviennent de deux institutions (UMC Radbound et UMC Utrecht).

La méthode de Deep learning utilisée est résumée dans le tableau situé dans la fenêtre de ce billet. Les auteurs ont utilisé le modèle GoogLeNet dont la performance est de 98,2%, la meilleure par rapport à AlexNet (92,1%), VGG16 (97,9%) et FaceNet (96,8%). La structure de GoogLeNet consiste en 27 couches au total et plus de 6 millions de paramètres.

RESULTATS

Nous avons évalué la combinaison du Deep learning et de la lecture du médecin pathologiste. 

Le pathologiste atteint une aire sous la courbe (ASC) de 0.9664, ce qui reflète un taux d’erreurs (faux positifs essentiellement) de 3,4%.

Le deep learning atteint une ASC de 0.9250, soit une performance nettement inférieure à la performance du médecin pathologiste, avec un taux d'erreurs de 7,5%.

Lorsque les prédictions du système Deep learning ont été combinées aux prédictions du médecin pathologiste, l’ASC a été portée à 0.9948, ce qui reflète un taux d’erreurs à 0,52 %.

CONCLUSIONS

Notre étude montre que la combinaison de l'intelligence artificielle (Deep learning) et de l'intelligence humaine (IH) du pathologiste dans l'analyse des ganglions sentinellles d'une tumeur mammaire permet de réduire le taux d'erreurs (faux positifs essentiellement) à moins de 1%, alors qu'avec le Deep learning ce taux de faux positifs était de 7,5% et avec le pathologiste de 3,4%. En l'état actuel de l'étude, il n'est pas possible de préciser quels faux positifs sont corrigés par la combinaison de l'IA et de l'IH.

COMMENTAIRES Cette étude a plusieurs enseignements. Le premier est que l'IA avec la méthode du Deep learning va révolutionner le travail, souvent épuisant au plan cognitif, du médecin anatomopathologiste. Le deuxième enseignement, et c'est une première, montre que la combinaison de l'IA et de l'IH rend un plus grand service à la patiente atteinte d'une tumeur mammaire que l'IA seule qui conserve un risque d'erreurs non négligeable (7,5%), alors que le risque n'est que de 3,4% avec un médecin pathologiste bien entrainé. Le troisième enseignement est que l'IA est bien une aide à l'exercice du métier de médecin pathologiste et ne se substitue pas, du moins en l'état actuel d'une IA encore faible, à l'intelligence humaine. C'est probablement de cette manière qu'il faut désormais voir la contribution de l'IA à l'imagerie médicale en général (voir sur ce site le billet "Deep learning et TLM" dans la rubrique "On en parle").