Une équipe de recherche dirigée par l'Université des sciences et technologies de Hong Kong (HKUST) a développé un système pionnier d'analyse pathologique de l'intelligence artificielle (IA) capable de reconnaître avec précision plusieurs types de cancer en utilisant seulement un nombre minimal d'échantillons, sans nécessiter aucune formation supplémentaire. Cette percée améliore considérablement la flexibilité et l’efficacité des soins médicaux assistés par l’IA, marquant une étape majeure vers l’adoption généralisée de la pathologie intelligente.
Chaque année, près de 20 millions de nouveaux cas de cancer sont diagnostiqués dans le monde, l'examen pathologique jouant un rôle central dans le diagnostic clinique et la prise de décision en matière de traitement. Cependant, face à une grave pénurie mondiale de pathologistes, la communauté médicale a de plus en plus besoin de solutions innovantes pour améliorer l’efficacité de l’analyse pathologique.
Bien que l’IA recèle un grand potentiel pour l’automatisation des diagnostics pathologiques, son déploiement pratique reste limité par de multiples défis. Les modèles d’IA conventionnels nécessitent généralement la collecte et la formation de dizaines de milliers d’images et d’ensembles de données pathologiques pour chaque type de cancer ou tâche de diagnostic spécifique, ce qui entraîne de longs cycles de développement et des coûts de calcul et de main-d’œuvre importants. En outre, les modèles pathologiques fondamentaux existants manquent souvent de généralisabilité suffisante, ce qui nécessite un ajustement approfondi lorsqu’ils sont appliqués à différents types de tumeurs dans des contextes cliniques réels, limitant ainsi leur évolutivité et leur adoption, en particulier dans les régions aux ressources limitées.
Pour relever ces défis, une équipe de recherche dirigée par le professeur LI Xiaomeng, professeur adjoint du département de génie électronique et informatique et directeur associé du centre d'imagerie et d'analyse médicales de la HKUST, en collaboration avec l'hôpital populaire provincial du Guangdong et la faculté de médecine de Harvard, a développé un nouveau système d'analyse pathologique appelé PRET (Pan-cancer Recognition without Sample Training).
Le système est le premier à introduire le concept « d’apprentissage en contexte » depuis le traitement du langage naturel jusqu’à l’analyse d’images pathologiques. Il permet au modèle de s'adapter instantanément à de nouveaux types de cancer et d'effectuer des tâches de diagnostic, telles que le dépistage du cancer, le sous-typage des tumeurs et la segmentation des tumeurs, pendant la phase d'inférence en référençant seulement une à huit lames de tumeur annotées. Fonctionnant comme un outil de diagnostic intelligent « plug-and-play », PRET élimine fondamentalement le besoin d'un réglage précis spécifique à une tâche dans les modèles d'IA traditionnels.
L'équipe de recherche a effectué une validation complète du système PRET à l'aide de 23 ensembles de données de référence internationaux provenant d'établissements médicaux de Chine continentale, des États-Unis et des Pays-Bas, couvrant 18 types de cancer et diverses tâches de diagnostic. Les résultats ont montré que le système a surpassé les méthodes existantes dans 20 tâches, avec son aire sous la courbe (AUC) – une mesure de précision diagnostique – dépassant 97 % dans 15 de ces tâches.
Notamment, PRET a atteint une ASC de 100 % dans le dépistage du cancer colorectal et une AUC de 99,54 % dans la segmentation des tumeurs du carcinome épidermoïde de l'œsophage. Dans la tâche très difficile de détection des métastases ganglionnaires, PRET a atteint une ASC d'environ 98,71 % en utilisant seulement huit échantillons de lames, dépassant ainsi la performance moyenne de 11 pathologistes, dont l'ASC était en moyenne d'environ 81 %. De plus, le PRET a démontré une généralisabilité stable et robuste à différentes populations et régions avec différents niveaux de ressources médicales.
Le professeur Li Xiaomeng a déclaré : « La valeur fondamentale du système PRET réside dans la suppression des barrières traditionnelles des « données massives et de la formation répétitive », permettant aux systèmes de pathologie basés sur l'IA d'être appliqués dans des contextes cliniques réels à moindre coût et avec une plus grande flexibilité.
Cela permet non seulement d’alléger la pression de la charge de travail des pathologistes, mais pourrait également améliorer l’accès au diagnostic du cancer dans les régions mal desservies. Grâce à ce système « plug-and-play », nous espérons que les services de diagnostic avancés et précis, alimentés par l'IA, pourront transcender les contraintes géographiques et de ressources, favorisant ainsi l'équité mondiale en matière de soins de santé. »
Li Xiaomeng, Université des sciences et technologies de Hong Kong
Pour l'avenir, l'équipe de recherche prévoit d'améliorer davantage les performances diagnostiques du système et d'étendre ses applications à des tâches cliniques supplémentaires, telles que la prédiction des mutations génétiques et l'évaluation du pronostic des patients, ouvrant ainsi de nouvelles directions pour l'avenir du diagnostic pathologique basé sur l'IA.
Les résultats de la recherche ont été publiés dans la revue internationale de premier plan Cancer naturel.
