Accueil Santé & Bien-être Évaluation automatisée de la qualité des images pathologiques

Évaluation automatisée de la qualité des images pathologiques

61
Rapports scientifiques (2022). DOI : 10.1038/s41598-022-08351-5″ width= »800″ height= »448″>

L’analyse d’échantillons de tissus pour le diagnostic et le traitement du cancer se fait encore largement au microscope optique. Mais les chercheurs développent maintenant des technologies pour accélérer et finalement améliorer la précision de ces diagnostics grâce à la numérisation et à l’analyse assistée par ordinateur des images de biopsie tissulaire. Ces nouvelles technologies reposent en grande partie sur des outils d’intelligence artificielle (IA), qui nécessitent le développement et la « formation » d’algorithmes d’IA sur de grands ensembles de données d’images de diapositives entières numérisées (WSI) liées à des données de résultats cliniques. Mais les images rassemblées à partir de plusieurs laboratoires de diagnostic peuvent varier considérablement dans leur qualité, ce qui peut à son tour compromettre la formation et les performances ultérieures des algorithmes d’IA.

Lire aussi:  La FDA élargit l'approbation de la jardiance pour les patients souffrant d'insuffisance cardiaque

Une nouvelle publication dans Rapports scientifiques dirigé par Jens Rittscher de Ludwig Oxford et sa collègue d’Oxford Maryam Haghighat décrit un outil d’intelligence artificielle nommé PathProfiler qui automatise le contrôle de la qualité de grands ensembles de données d’images de pathologie rétrospectives pour augmenter leur facilité d’utilisation dans la recherche en aval.

Rittscher et ses collègues d’Oxford ont développé PathProfiler à l’aide d’images pathologiques rétrospectives de la cohorte du cancer de la prostate ProMPT (Prostate Cancer Mechanisms of Progression and Treatment). Leur outil d’IA automatise l’évaluation de la qualité des images de pathologie et identifie une gamme d’artefacts d’image potentiels. Il attribue également un score d’utilisabilité à chaque WSI, ce qui aidera à déterminer si une image peut être incluse dans l’ensemble de données de formation AI. Les scores générés par l’algorithme d’IA et ceux attribués par trois pathologistes experts étaient fortement corrélés (0,89).

Lire aussi:  Symptômes menstruels associés au vaccin COVID-19 signalés chez des personnes non menstruées

Pour tester davantage PathProfiler, l’équipe a évalué les cohortes de cancer de la prostate et de cancer colorectal FOCUS du Cancer Genome Atlas. En plus de fournir un score de qualité et d’identifier les artefacts ayant un impact sur la qualité dans les WSI, PathProfiler a également été en mesure de prédire quelles images pourraient être améliorées, par exemple, en effectuant une nouvelle numérisation ou une nouvelle coloration. Cette prédiction est particulièrement pertinente pour la facilité d’utilisation des échantillons de cohortes rétrospectives hautement organisées, telles que celles utilisées dans la recherche sur le cancer de la prostate.

Le logiciel PathProfiler est accessible au public afin que d’autres groupes puissent l’utiliser pour leurs propres recherches et contribuer à son développement ultérieur. L’équipe prévoit maintenant d’optimiser davantage le modèle en utilisant d’autres types de tissus et cohortes, et d’évaluer les performances et l’utilité de l’outil dans un pipeline numérique de pathologie clinique.


Article précédentCOVID-19 peut directement infecter et endommager les cellules rénales humaines
Article suivantCalmer les neurones surexcités peut protéger le cerveau après un AVC