Faciliter le diagnostic du cancer du sein par l’IA

Le cancer du sein est le cancer le plus répandu dans le monde selon l’OMS et le 2^e en importance pour ce qui est des décès. Pour évaluer le type de tumeur et déterminer le traitement le plus adéquat, on prélève des tissus par biopsie, on les colore puis on les observe par microscope (images histologiques). Ce processus est long et nécessite l’expertise d’une ou d’un pathologiste expérimenté. En partenariat avec Maria Vakalopoulou et Stergios Christodoulidis, professeure et professeur à l’Université de Paris-Saclay (CentraleSupélec), des chercheurs de l’ÉTS et du CNRS se sont donné l’objectif d’automatiser l’analyse de ces tissus pour accélérer le travail des pathologistes.

Miser sur un modèle de fondation

Les modèles d’apprentissage profond (intelligence artificielle) sont des outils puissants pour ce genre d’application, mais comportent des limites. D’une part, ils nécessitent beaucoup de données (images) annotées par des spécialistes pour l’entraînement, tâche chronophage et coûteuse. D’autre part, les images histologiques peuvent varier significativement lorsque prises sous différentes conditions et les protocoles de coloration des tissus peuvent différer d’une ou d’un pathologiste à l’autre. Ces changements entraînent des modifications dans l’apparence des images de tissus observés par microscope et peuvent fausser leur classement (changement de domaine).

Notre équipe a donc choisi de travailler avec un modèle de fondation, plus généraliste, qui sera entraîné à reconnaître les patrons généraux des images histologiques à partir d’une grande base de données variées. Ce modèle robuste pourra ensuite être adapté à de nouvelles tâches avec peu de données, normalement de un à cinq exemples annotés pour chaque nouvelle tâche.

De plus, au lieu de se limiter à délimiter la tumeur, les commentaires des médecins associés à chaque image seront inclus afin d’ajouter des précisions sur le type et la gravité de la tumeur ainsi que d’autres caractéristiques observées sur l’image.

Mieux prédire l’incertitude

Avant de transférer notre système en clinique, il faut pouvoir évaluer le degré de certitude des prédictions de l’algorithme d’intelligence artificielle : une erreur peut avoir une incidence très grave sur la vie d’une femme. Nous comptons élaborer en parallèle de nouvelles stratégies d’apprentissage qui amélioreront le degré de certitude des prédictions. Ces stratégies auront comme objectif de détecter les cas où l’algorithme rencontre un problème et de le signaler afin qu’un humain apporte plus d’attention aux images problématiques.

Alléger la tâche des spécialistes afin d’augmenter leur productivité

L’objectif de ce projet de recherche n’est pas de remplacer l’humain par un algorithme, mais bien de lui faciliter la tâche afin qu’il ou elle puisse traiter plus de dossiers à moindre coût. Les pathologistes pourront porter une attention accrue aux prédictions classées douteuses par l’outil d’évaluation des prédictions.

Le code source de notre algorithme ainsi que les modèles généralistes entrainés seront accessibles à toute la communauté de recherche.