Des chercheurs de l’Université de Finlande orientale, de l’Université de Turku et de l’Université de Tampere ont développé une méthode basée sur l’intelligence artificielle pour la coloration virtuelle d’échantillons de tissus histopathologiques dans le cadre du consortium Nordic ABCAP. La coloration chimique est la pierre angulaire de l’étude de l’histopathologie depuis plus d’un siècle et est largement appliquée, par exemple, au diagnostic du cancer.
Un exemple de coloration virtuelle de tissu. Tissu non coloré à gauche, tissu coloré chimiquement au milieu et tissu pratiquement coloré à droite. Les exemples sont le tissu prostatique. Crédit d’image : Université de Turku
« La coloration chimique rend visible la morphologie des coupes de tissus presque transparentes et à faible contraste. Sans elle, l’analyse de la morphologie des tissus est presque impossible pour la vision humaine. La coloration chimique est irréversible et, dans la plupart des cas, elle empêche l’utilisation du même échantillon pour d’autres expériences ou mesures », explique Leena Latonen, chercheuse universitaire et vice-directrice de l’Institut de biomédecine de l’Université de Finlande orientale, qui a dirigé la partie expérimentale. de l’étude.
La méthode d’intelligence artificielle développée dans cette étude produit des images informatiques qui ressemblent très étroitement à celles produites par le processus de coloration chimique réel. Cette image virtuellement colorée peut ensuite être utilisée pour inspecter la morphologie des tissus. La coloration virtuelle réduit à la fois la charge chimique et le travail manuel nécessaires au traitement des échantillons tout en permettant l’utilisation du tissu à d’autres fins que la coloration elle-même.
La force de la méthode de coloration virtuelle proposée est qu’elle ne nécessite aucun matériel ou infrastructure spéciale au-delà d’une microscopie optique régulière et d’un ordinateur approprié.
« Les résultats sont très largement applicables. Il existe de nombreux sujets de recherche de suivi, et les méthodes de calcul peuvent encore être améliorées. Cependant, nous pouvons déjà envisager plusieurs domaines d’application où la coloration virtuelle peut avoir un impact majeur en histopathologie », explique le professeur agrégé Pekka Ruusuvuori de l’Université de Turku, qui a dirigé la partie informatique de l’étude.
Une recherche révolutionnaire avec un financement international
L’un des facteurs clés permettant l’étude a été le financement du consortium obtenu dans le cadre de l’appel transnational conjoint ERAPerMed. Le consortium ABCAP se compose de groupes de recherche nordiques développant des diagnostics du cancer du sein basés sur l’intelligence artificielle vers une médecine personnalisée et est financé par ERAPerMed, Nordic Cancer Union et l’Académie de Finlande. Latonen et Ruusuvuori mènent leurs propres sous-projets.
« Cette recherche est véritablement interdisciplinaire. Sans financement du consortium, il serait très difficile de trouver suffisamment de ressources pour le travail expérimental en laboratoire et l’effort de calcul pour permettre des études comme celle-ci », reconnaissent Ruusuvuori et Latonen.
Cette recherche interdisciplinaire s’appuie sur des expertises en biologie tissulaire, processus histologiques, informatique de la bioimage et intelligence artificielle. La première partie de l’étude en deux phases s’est concentrée sur l’optimisation des étapes de traitement et d’imagerie des échantillons de tissus et a été réalisée par la chercheuse doctorale Sonja Koivukoski de l’Université de Finlande orientale. L’évaluation systématique de la faisabilité histologique était une composante unique de l’étude.
« Le développement de méthodes de calcul utilisant l’intelligence artificielle manque souvent d’une évaluation appropriée de la faisabilité du point de vue de l’utilisateur final. Cela peut conduire à l’élaboration et à la publication de méthodes, mais finalement pas vraiment utilisées dans la pratique. Par conséquent, il est particulièrement important de combiner les connaissances informatiques et basées sur le domaine dès la phase de développement, comme cela a été fait dans notre étude », déclarent Latonen et Koivukoski.
Grand potentiel des méthodes de calcul
L’apprentissage des réseaux de neurones profonds à partir de grands volumes de données a rapidement transformé le domaine de l’analyse d’images biomédicales. En plus des tâches d’analyse d’image traditionnelles, telles que l’interprétation d’images, ces méthodes sont également bien adaptées aux transformations d’image à image. La coloration virtuelle est un exemple d’une telle tâche, comme cela a été démontré avec succès dans les deux parties publiées de l’ouvrage. La deuxième partie s’est concentrée sur l’optimisation de la coloration virtuelle basée sur des réseaux de neurones contradictoires génératifs, avec le chercheur doctorant Umair Khan de l’Université de Turku en tant que développeur principal.
Les réseaux de neurones profonds sont capables de fonctionner à un niveau que nous n’étions pas en mesure d’imaginer il y a quelque temps. La coloration virtuelle basée sur l’intelligence artificielle peut avoir un impact majeur sur le traitement plus efficace des échantillons en histopathologie. »
Umair Khan, chercheur doctorant, Université de Turku
En plus des algorithmes d’intelligence artificielle, la clé du succès était la disponibilité de services de calcul haute performance via CSC.
« En Finlande, nous disposons d’une excellente infrastructure pour le calcul parallèle haute performance. Des recherches intensives en calcul comme celle-ci ne seraient pas possibles sans la capacité fournie par le SCC », déclare Ruusuvuori.
Les résultats de l’étude ont été publiés dans deux revues internationales à comité de lecture, Laboratory Investigation et Patterns.
