Élaboration d’un algorithme d’intelligence artificielle appliqué à la localisation de foyers de carcinomes basocellulaires sur coupes extemporanées de chirurgie de Mohs

La chirurgie micrographique de Mohs (CMM) « classique » permet l’exérèse des cancers cutanés avec contrôle anatomopathologique extemporané de 100 % des berges tumorales. Elle est peu pratiquée en France en raison de difficultés logistiques qui pourraient être résolues en partie par une semi-automatisation de la lecture anatomopathologique. L’objectif de notre travail était d’élaborer un algorithme d’intelligence artificielle (IA) performant capable de localiser les foyers de carcinome basocellulaire (CBC) au sein de lames histologiques de CMM via un réseau neuronal convolutif (RNC). Les lames issues des procédures CMM réalisées dans notre centre entre 2016 et 2021 étaient incluses puis numérisées (grossissement x20). Les foyers de CBC étaient délimités manuellement via le logiciel Qupath. Les limites étaient systématiquement vérifiées par un anatomopathologiste compétent en CMM. Les images tissulaires de 71 lames issues de 49 patients étaient découpées en patchs de 256 × 256 pixels (200 × 200 μm). Le nombre de patchs était démultiplié (rotations, color augmentation). 106 567 patchs étaient obtenus; 7972 contenant du CBC formaient la classe « pathologique », 98595 formaient la classe « sain ». Ces patchs constituaient la base d’entraînement du RNC (Resnet-34). 10 lames issues de 10 patients différents formaient la base de test. 13 602 patchs tissulaires étaient automatiquement extraits puis classifiés par le RNC pré-entraîné. Premièrement, on déterminait un seuil de classification sain/pathologique pour que notre modèle soit cliniquement performant. Puis, la qualité de superposition des foyers de CBC prédits par le RNC et la vérité terrain était évaluée. Le principe de la métrique était que chaque foyer était considéré localisé si l’algorithme trouvait au moins un patch pathologique en son sein. L’AUC-ROC de notre algorithme était de 0,9787. Avec le seuil optimal cliniquement pertinent déterminé à 0,21, le RNC classait correctement 12945/13602 patchs (VP= 1171, FN = 293, FP = 364, VN = 11774) soit une Se de 0,80, une Sp de 0,97, une VPP de 0,76, une VPN de 0,98. Mais les patchs classés comme FN contenaient peu de CBC (7,4 % en moyenne), ils correspondaient majoritairement à des patchs en bordure de foyer tumoral. Pour les 10 lames de test, l’approche métrique permettait de localiser correctement 212/214 foyers, (FN = 2, FP = 67). Soit une Se de 0,99 et une VPP de 0,75. Les foyers FP avaient une taille moyenne de 1,4 patchs vs. 4,3 patchs pour les VP. Par sa bonne sensibilité, notre algorithme ouvre la voie de la CMM assistée par IA. Ses performances pourront être améliorées en augmentant la base d’apprentissage par un recrutement multicentrique, en intégrant plus de sous-types histologiques rares (sclérodermiformes) et avec les améliorations technologiques dont bénéficieront les RNC.