Utilisation de l’intelligence artificielle dans les pays en voie de développements : exemple du calcul automatisé de le l’indice de prolifération Ki-67 dans les tumeurs neuroendocrines

Depuis la fin du siècle dernier, l’industrie biomédicale et les technologies appliquées à la médecine connaissent un essor phénoménal. Le domaine de l’anatomopathologie a tiré grand bénéfice de ces avancées, en particulier dans certaines applications de l’intelligence artificielle aux méthodes diagnostiques de routine. Nous nous intéressons au cas particulier du calcul de l’indice de prolifération Ki-67 qui d’après les recommandations de l’OMS représente, un pilier du grading des tumeurs neuroendocrines ; et pose problème puisque les méthodes classiques de lecture présentent une importante variabilité inter- et intra-individu. Des solutions intelligentes existent et permettent d’avoir des résultats d’une précision extrême mais sont très onéreuses. Dans ce contexte, et en collaboration avec l’école des ingénieurs (filière ingénierie biomédicale), nous nous sommes proposés d’aider à créer une solution informatique automatisée, peu nécessiteuse en termes de ressources, capable de calculer avec précision cet indice de prolifération dans les tumeurs neuroendocrines du pancréas (TNEP). L’idée centrale était de développer un algorithme intelligent basé sur le« Deep Learning », et particulièrement sur un réseau de neurones convolutifs, entraîné en « supervised learning » à différencier, sur une image photographique d’une lame de TNEP marquée au KI-67 – observée en microscopie (×400) – les cellules tumorales des cellules non tumorales et de ce que nous considérons comme « bruit de fond ». Afin d’entraîner le modèle, une compilation de 2000 images photographiques (2592 × 1944 pixels) de lames de TNEP marquées au Ki-67 observées au microscope(×400) a été utilisée comme données d’entrée. Ces images ont été rétrospectivement collectées depuis 20 cas différents colligés au laboratoire d’anatomie et de cytologie pathologiques de l’hôpital Farhat Hached Sousse. Une fois le modèle entraîné, un design de l’interface utilisateur est réalisé. Le produit final est une application de bureau minimaliste, fluide et peu coûteuse capable de calculer à partir de l’image (.jpeg, .jpg, .tif) d’une lame de TNEP marquée au Ki-67, un indice de prolifération exact. Les résultats obtenus par notre solution ont été comparés à ceux obtenus grâce à des softwares dédiés au comptage cellulaire dans le domaine de la biologie (cellules sanguines, tumorales…) : ImageJ et Qupath ; sans différence significative en termes de précision. Cette application est moins élaborée que celles proposées sur le marché. L’interface utilisateur est basique et l’obtention d’un résultat correct dépend de la qualité d’image qui doit être identique ou meilleure aux images d’entraînement, ce qui nécessite des caméras adaptées. Ce travail peut servir de base pour une solution plus élaborée capable de calculer l’indice de prolifération Ki-67 sur d’autres types de tumeurs en entraînant le modèle à les reconnaître. Ce même algorithme peut être aussi entraîné à assimiler et calculer d’autres variables telles que l’index mitotique ou d’autres types d’immunomarquage.