Les systèmes de diagnostic utilisant l’intelligence artificielle sont capables de classer rapidement et avec précision les lésions cutanées suspectes et offrent un grand potentiel d’amélioration de la précision du diagnostic. C’est ce que montre également une nouvelle étude dans laquelle un réseau neuronal artificiel a été implémenté avec succès pour la détection des carcinomes basocellulaires.
L’intelligence artificielle (IA) joue un rôle de plus en plus important dans la médecine de précision et peut contribuer à optimiser l’utilisation des ressources [1]. Les applications d’IA sont très développées dans le domaine de la reconnaissance des formes visuelles, ce qui constitue un domaine d’application intéressant pour la dermatologie et notamment pour le dépistage du cancer de la peau. Le carcinome basocellulaire (CBC, Fig. 1) représente environ 65% de tous les cas de cancer de la peau blanche en Europe centrale et est donc la tumeur cutanée la plus fréquente chez les patients immunocompétents [2]. BCC est qualifié de maligne ou semi-maligne dans la littérature spécialisée. Dans la plupart des cas, il s’agit de tumeurs cutanées non métastatiques, mais qui s’infiltrent et se détruisent localement. Dans le cadre de la réunion annuelle 2021 de l’ADF, une étude de “preuve de concept” a été présentée, montrant comment l’apprentissage profond peut être utilisé pour l’analyse d’images médicales dans le domaine du dépistage du cancer de la peau [3,4]. Un réseau neuronal artificiel a été mis en place pour prédire avec un haut degré de spécificité et de sensibilité si les préparations de peau contenaient ou non des lésions cancéreuses, sur la base d’images histologiques numérisées. Les résultats de l’étude ont été publiés dans la revue Modern Pathology 2021 [4].
Analyse d’images médicales par deep learning
L’évaluation histologique des biopsies cutanées fait partie du quotidien des dermatologues et c’est un domaine d’application qui se prête bien au pré-screening automatisé assisté par IA pour l’identification des modifications cancéreuses et la classification rapide des tumeurs. Le principe de base des applications d’apprentissage profond dans le domaine de l’analyse d’images médicales est qu’un réseau neuronal artificiel, qui utilise des algorithmes et des modèles statistiques complexes pour sélectionner les combinaisons de caractéristiques ayant la meilleure valeur diagnostique, est entraîné avec un grand nombre de données d’images et les classifications correctes, et améliore en permanence sa capacité à distinguer les différentes expressions de caractéristiques [5]. Chaque “neurone” d’un réseau neuronal représente une opération mathématique. Cette méthode permet d’examiner des lames numérisées à la recherche de caractéristiques pathologiques grâce à une analyse automatisée des images. Dans l’étude de Kimeswenger et al. [3,4], le réseau neuronal artificiel a été entraîné à reconnaître des tumeurs à l’aide de lames entièrement numérisées de préparations de tumeurs BCC (n=820 lames) (aperçu 1) .
Haute précision diagnostique et spécificité
Il s’est avéré que le réseau neuronal était capable d’identifier des régions tumorales BCC avec une grande précision sur les images de coupes histologiques (AUC 0,993, IC à 95% : 0,990-0,995 ; sensibilité : 0,965, IC à 95% : 0,951-0,979 ; spécificité : 0,910, IC à 95% : 0,859-0,960). Le calcul automatique d’une matrice pondérée a servi de base à la prédiction des régions tumorales des images histologiques. Les chercheurs ont également constaté que les algorithmes d’apprentissage automatique étaient basés sur des modèles de reconnaissance d’identification des tumeurs significativement différents de ceux des experts en pathologie. C’est ce qui ressort d’une comparaison entre les “régions d’intérêt” (ROI) utilisées par le réseau neuronal, c’est-à-dire les régions de l’image considérées comme pertinentes pour trouver des tumeurs, et les ROI des experts en pathologie, ce qui a été relevé par eye-tracking (aperçu 2) .
En résumé, cette étude a montré qu’un réseau neuronal artificiel peut être utilisé efficacement pour détecter les carcinomes basocellulaires à partir d’images numérisées de coupes histologiques. Il s’agit d’une nouvelle confirmation que les méthodes d’apprentissage automatique ont le potentiel d’améliorer la précision du diagnostic dans le domaine de la pathologie numérique et de découvrir des schémas de classification jusqu’alors inconnus. Outre le diagnostic des lésions cutanées non mélanocytaires, les applications d’IA peuvent également être utilisées pour la détection des mélanomes malins (encadré).
Congrès : Groupe de travail sur la recherche dermatologique 2021
Littérature :
- Schaaf N : Neuronale Netze : Ein Blick in die Black Box, 14 janvier 2020, www.informatik-aktuell.de, (dernière consultation 14.05.2021)
- Teske S, Beise U : Hauttumoren, dernière mise à jour : 02/2021, www.medix.ch (dernière consultation 14.05.2021)
- Kimeswenger S, et al : Artificial neural networks and pathologists recognize basal cell carcinoma based on different histological patterns. P063, Translational Research ADF Dermatology Awards, réunion annuelle de l’ADF 6.3.2021
- Kimeswenger S, et al : Mod Pathol 2021 ; 34 : 895-903.
- Jutzi TB, Brinker TJ : Dtsch Arztebl 2020 ; 117(24).
- Centre allemand de recherche sur le cancer, www.dkfz.de/de/digitale-biomarker (dernière consultation 14.05.2021)
- Cerci, FB, et al : An Bras Dermatol [online] 2020 ; 95 (5) : 594-601.
DERMATOLOGIE PRAXIS 2021 ; 31(3) : 32-33 (publié le 1.6.21, ahead of print)
