L’intelligence artificielle a explosé en popularité ces dernières années et de nombreux partisans sont enthousiasmés par ses utilisations potentielles en médecine : par exemple, traiter rapidement des échantillons ou identifier des marqueurs de maladies qui pourraient ne pas être détectés par l’œil humain. Cependant, appliquer l’IA est-il toujours la meilleure option ?
Les chercheurs ont découvert que même si une méthode d’IA appelée coloration virtuelle peut améliorer l’utilisation des images médicales dans certains cas, dans d’autres situations, elle peut en réalité diminuer la capacité à obtenir des informations utiles à partir de ces images. En général, ils appellent à la prudence lorsqu’il s’agit de décider d’appliquer ou non l’IA à un flux de travail donné, afin de garantir qu’elle améliore réellement la précision par rapport à d’autres méthodes.
« La conclusion générale est que l'IA peut être un excellent outil – elle aide dans certains cas – mais il faut être un peu prudent », a déclaré Sourya Sengupta, étudiante diplômée à l'Institut Beckman pour les sciences et technologies avancées et auteur principal de cette étude.
Cette étude a été menée par des chercheurs du Center for Label-free Imaging and Multiscale Biophotonics, qui vise à améliorer les technologies d’imagerie pour les applications cliniques et de recherche en développant de nouvelles méthodes et algorithmes d’imagerie. Outre Sengupta, les chercheurs CLIMB Phuong Nguyen, Frank Brooks, Yang Liu et Mark Anastasio ont tous collaboré à ce projet.
La plupart d'entre nous ont eu une image médicale prise lors d'un rendez-vous chez le médecin, comme une échographie, une IRM ou une radiographie. Ces outils essentiels aident les chercheurs et les cliniciens à diagnostiquer les maladies, à tester de nouveaux traitements et à surveiller la santé des patients. Une autre classe courante d'images médicales sont les images de microscopie, qui permettent aux cliniciens d'examiner de plus près des échantillons de tissus et de cellules agrandis.
Pour améliorer le contraste d'une image microscopique – par exemple, pour faire ressortir une certaine partie d'une cellule afin que les cliniciens puissent en analyser les caractéristiques – les échantillons de tissus ou de cellules sont souvent colorés à l'aide de colorants ou d'autres produits chimiques. Bien que largement utilisée, la coloration peut prendre beaucoup de temps et endommager les cellules.
L’imagerie sans étiquette est une alternative à la coloration dans laquelle aucun produit chimique n’est ajouté à l’échantillon. Au lieu de cela, les chercheurs utilisent les propriétés naturelles des matériaux biologiques pour faire des observations et créer des images. Par exemple, mesurer les différentes façons dont la lumière traverse des objets transparents comme les cellules nous donne des informations sur la densité et la croissance cellulaires.
Cependant, cette méthode présente également des inconvénients. Les images sans étiquette ont toujours tendance à avoir moins de contraste que les images colorées, ce qui peut rendre difficile l'identification des caractéristiques clés. Pour améliorer l’utilité et la fiabilité des images sans étiquette, une nouvelle méthode appelée coloration virtuelle a récemment suscité un intérêt.
Dans le processus de coloration virtuelle, un modèle informatique analyse une image sans étiquette et prédit à quoi ressemblerait l’image colorée. Idéalement, cela donnerait une image avec le contraste élevé d’une image colorée, mais produite beaucoup plus rapidement et sans risque d’endommager chimiquement l’échantillon. Cependant, il est important de confirmer que ces images virtuellement colorées sont véritablement précises et utiles pour les découvertes biologiques et les applications cliniques.
« En médecine ou dans la découverte de médicaments, prendre des images n'est pas l'objectif final », a déclaré Sengupta. « En imagerie biomédicale, nous pensons toujours en termes de tâche : une application biologique ou clinique à laquelle les images sont censées servir. Nous avons donc commencé à nous demander : ces images générées par ordinateur peuvent sembler réelles, mais aident-elles réellement à accomplir la tâche réelle ? »
L’un des plus grands défis pour répondre à ce type de question est simplement de disposer de suffisamment de données. Les chercheurs ont souvent besoin de grands ensembles d’images appariées – l’une provenant d’une imagerie sans étiquette et l’autre d’une coloration fluorescente – pour former et tester divers modèles d’IA. Heureusement, l'équipe de Liu a récemment développé l'Omni-Mésoscope, un puissant système d'imagerie à haut débit capable de capturer des dizaines de milliers de cellules dans différents états en quelques minutes, créant ainsi de vastes ensembles de données de haute qualité. Ces ensembles de données ont servi de base pour tester le fonctionnement des images virtuellement colorées dans des tâches analytiques réelles.
Les chercheurs ont testé les performances des images virtuellement colorées par rapport aux images sans étiquette et aux images colorées dans deux tâches. Premièrement, les images ont été utilisées dans une tâche de segmentation : un processus dans lequel un réseau neuronal identifie les noyaux cellulaires individuels et les recadre pour former chacun leur propre image. Tout comme le recadrage d'une photo, cela permet aux chercheurs et aux cliniciens de se concentrer sur les parties les plus importantes de l'image.
Deuxièmement, les chercheurs ont utilisé les images dans une tâche de classification cellulaire, dans laquelle le réseau a identifié les étapes dans lesquelles se trouvaient les différentes cellules après un traitement médicamenteux. Cette tâche a des applications pour surveiller l’efficacité des médicaments dans la recherche et dans le traitement des maladies.
Une comparaison d’images sans étiquette (première colonne), virtuellement colorées (colonnes du milieu) et colorées par fluorescence (dernière colonne) de deux cellules. La cellule de la rangée du bas a été traitée avec un médicament, alors que celle de la rangée du haut ne l’a pas été.
Pour les deux tâches, les chercheurs ont évalué les performances de différents réseaux lors de l’utilisation de chaque type d’image. Les chercheurs voulaient savoir si le succès relatif de chaque type d’image changerait en fonction des propriétés du réseau utilisé. Ils ont donc répété les tâches en utilisant cinq réseaux différents.
De nombreux réseaux effectuent des tâches similaires, mais certains réseaux peuvent être meilleurs que d'autres pour représenter des fonctions ou des relations complexes en fonction de la manière dont le réseau est programmé pour apprendre. Ces réseaux sont appelés réseaux à haute capacité. Les réseaux utilisés dans cette étude avaient une gamme de capacités, de sorte que les chercheurs pouvaient voir si la capacité avait un impact sur la façon dont les réseaux utilisaient les images virtuellement colorées.
Lorsqu'elles sont traitées par des réseaux de faible capacité, les images virtuellement colorées ont de bien meilleurs résultats que les images sans étiquette. Cependant, avec les réseaux à grande capacité, ce n’était pas le cas. Lorsqu'elles sont appliquées à la tâche de segmentation, les images pratiquement colorées et sans étiquette ont des résultats à peu près identiques lorsqu'elles sont traitées par des réseaux haute capacité. Cependant, lorsqu'elles sont appliquées à la tâche de classification cellulaire, les images virtuellement colorées ont des résultats bien pires. En d’autres termes, lorsque vous utilisez un réseau haute capacité pour analyser vos images, vous aurez plus de chances d’obtenir des informations précises si vous utilisez des images sans étiquette plutôt que des images virtuellement colorées.
Ce résultat est cohérent avec un concept appelé inégalité de traitement des données, selon lequel le traitement d'une image (par exemple par coloration virtuelle) ne peut pas augmenter les informations contenues dans cette image, a déclaré Sengupta. C'est comme retoucher une photo de famille : vous pouvez flouter l'arrière-plan pour faire ressortir les personnes, mais aucune modification n'ouvrira les yeux de quelqu'un qui clignait des yeux lorsque le déclencheur a cliqué.
Les réseaux de faible capacité sont probablement aidés par des images virtuellement tachées, car le traitement peut mettre en valeur des informations importantes. En revanche, les réseaux à haute capacité, qui peuvent déjà détecter des relations complexes à partir d'images sans étiquette, ne sont pas aidés par la coloration virtuelle. Le processus de coloration virtuelle peut même supprimer des informations cruciales pour certaines tâches, ce qui peut expliquer pourquoi les images virtuellement colorées ont de moins bons résultats que les images sans étiquette dans la tâche de classification cellulaire.
Bien que l’IA ait des applications potentielles dans de nombreux domaines de la santé, Sengupta rappelle aux cliniciens, aux chercheurs et aux membres du public intéressés par cette technologie d’être conscients de ses limites. Si l’IA est utilisée pour une tâche spécifique, il est important de vérifier qu’elle sera réellement bénéfique dans cette situation.
« Même si l'IA est désormais un mot à la mode, il faut être un peu prudent lorsque l'on l'applique dans des domaines sensibles comme l'imagerie biomédicale et les soins de santé », a déclaré Sengupta. « Dans de nombreux cas, l'IA est très utile, mais elle ne l'est pas toujours. »
