Un outil d’IA capable d’analyser les anomalies dans la forme des cellules sanguines, avec une précision et une fiabilité supérieures à celles des experts humains, pourrait changer la manière dont des maladies telles que la leucémie sont diagnostiquées.
Les chercheurs ont créé un système appelé CytoDiffusion qui utilise l’IA générative – le même type de technologie derrière les générateurs d’images tels que DALL-E – pour étudier la forme et la structure des cellules sanguines.
Contrairement à de nombreux modèles d’IA, qui sont entraînés à simplement reconnaître des modèles, les chercheurs – dirigés par l’Université de Cambridge, l’University College London et l’Université Queen Mary de Londres – ont montré que CytoDiffusion pouvait identifier avec précision un large éventail d’apparences normales de cellules sanguines et repérer des cellules inhabituelles ou rares pouvant indiquer une maladie. Leurs résultats sont rapportés dans la revue Intelligence des machines naturelles.
La détection de différences subtiles dans la taille, la forme et l’apparence des cellules sanguines est la pierre angulaire du diagnostic de nombreux troubles sanguins. Mais cette tâche nécessite des années de formation, et même dans ce cas, différents médecins peuvent être en désaccord sur des cas difficiles.
Nous avons tous de nombreux types de cellules sanguines qui ont des propriétés différentes et des rôles différents au sein de notre corps. Les globules blancs se spécialisent par exemple dans la lutte contre les infections. Mais savoir à quoi ressemble une cellule sanguine inhabituelle ou malade au microscope est un élément important du diagnostic de nombreuses maladies. »
Simon Deltadahl du Département de mathématiques appliquées et de physique théorique de Cambridge, premier auteur de l'étude
Cependant, un « frottis » sanguin typique contient des milliers de cellules – bien plus que ce qu'un être humain pourrait analyser. « Les humains ne peuvent pas examiner toutes les cellules d'un frottis – ce n'est tout simplement pas possible », a déclaré Deltadahl. « Notre modèle peut automatiser ce processus, trier les cas de routine et mettre en évidence tout ce qui est inhabituel pour un examen humain. »
« Le défi clinique auquel j'ai été confronté en tant que jeune médecin en hématologie était qu'après une journée de travail, je devais faire face à de nombreux frottis sanguins à analyser », a déclaré le Dr Suthesh Sivapalaratnam, co-auteur principal de l'Université Queen Mary de Londres. « En les analysant tard dans la nuit, j'ai acquis la conviction que l'IA ferait un meilleur travail que moi. »
Pour développer CytoDiffusion, les chercheurs ont formé le système sur plus d'un demi-million d'images de frottis sanguins collectées à l'hôpital Addenbrooke de Cambridge. L’ensemble de données – le plus vaste du genre – comprenait à la fois des types de cellules sanguines courants et des exemples plus rares, ainsi que des éléments susceptibles de dérouter les systèmes automatisés.
En modélisant la distribution complète des apparences cellulaires plutôt qu’en apprenant simplement à séparer les catégories, l’IA est devenue plus robuste aux différences entre les hôpitaux, les microscopes et les méthodes de coloration, et mieux capable de reconnaître les cellules rares ou anormales.
Lors des tests, CytoDiffusion a pu détecter les cellules anormales liées à la leucémie avec une sensibilité bien plus grande que les systèmes existants. Il a également égalé ou dépassé les modèles de pointe actuels, même avec très peu d'exemples de formation ; et quantifier sa propre incertitude.
« Lorsque nous avons testé sa précision, le système était légèrement meilleur que celui des humains », a déclaré Deltadahl. « Mais ce qui nous a vraiment marqué, c'est de savoir quand c'était incertain. Notre modèle ne dirait jamais que c'était certain et se tromperait ensuite, mais c'est quelque chose que les humains font parfois. »
« Nous avons évalué notre méthode par rapport à de nombreux défis rencontrés dans l'IA du monde réel, tels que des images inédites, des images capturées par différentes machines et le degré d'incertitude des étiquettes », a déclaré le professeur Michael Roberts, co-auteur principal, également du département de mathématiques appliquées et de physique théorique de Cambridge. « Ce cadre donne une vision à multiples facettes des performances du modèle qui, selon nous, sera bénéfique aux chercheurs. »
L’équipe a également montré que CytoDiffusion pouvait générer des images synthétiques de cellules sanguines impossibles à distinguer des images réelles. Lors d'un « test de Turing » réalisé avec dix hématologues expérimentés, les experts humains n'ont eu que la chance de distinguer la réalité des images générées par l'IA.
« Cela m'a vraiment surpris », a déclaré Deltadahl. « Ce sont des gens qui regardent les cellules sanguines toute la journée, et même eux ne pouvaient pas le dire. »
Dans le cadre du projet, les chercheurs publient ce qu'ils disent être le plus grand ensemble de données accessibles au public sur les images de frottis sanguins périphériques : plus d'un demi-million au total.
« En rendant cette ressource ouverte, nous espérons permettre aux chercheurs du monde entier de créer et de tester de nouveaux modèles d'IA, de démocratiser l'accès à des données médicales de haute qualité et, à terme, de contribuer à de meilleurs soins aux patients », a déclaré Deltadahl.
Bien que les résultats soient prometteurs, les chercheurs affirment que CytoDiffusion ne remplace pas les cliniciens qualifiés. Au lieu de cela, il est conçu pour les soutenir en signalant rapidement les cas anormaux à examiner et en traitant automatiquement les cas plus courants.
« La véritable valeur de l'IA en matière de soins de santé ne réside pas dans le rapprochement de l'expertise humaine à moindre coût, mais dans le fait qu'elle permet un plus grand pouvoir de diagnostic, de pronostic et de prescription que ce que les experts ou les simples modèles statistiques peuvent obtenir », a déclaré le professeur Parashkev Nachev, co-auteur principal de l'UCL. « Notre travail suggère que l'IA générative sera au cœur de cette mission, transformant non seulement la fidélité des systèmes de soutien clinique, mais aussi leur compréhension des limites de leurs propres connaissances. Cette conscience « métacognitive » – savoir ce que l'on ne sait pas – est essentielle à la prise de décision clinique, et nous montrons ici que les machines peuvent être meilleures que nous dans ce domaine. »
Les chercheurs affirment que des travaux supplémentaires sont nécessaires pour rendre le système plus rapide et pour le tester auprès de diverses populations de patients afin de garantir l'équité et l'exactitude.
La recherche a été soutenue en partie par le Trinity Challenge, Wellcome, la British Heart Foundation, le Cambridge University Hospitals NHS Trust, le Barts Health NHS Trust, le NIHR Cambridge Biomedical Research Centre, le NIHR UCLH Biomedical Research Centre et le NHS Blood and Transplant. La recherche a été menée par le groupe de travail Imagerie au sein de BloodCounts! consortium, qui vise à utiliser l’IA pour améliorer les diagnostics sanguins à l’échelle mondiale. Simon Deltadahl est membre du Lucy Cavendish College de Cambridge.
