Le comptage manuel des follicules primordiaux est la méthode de référence pour évaluer la réserve ovarienne chez la souris. C’est une technique laborieuse, chronophage, opérateur-dépendante et peu reproductible. L’objectif de cette étude était de développer, grâce à une technique d’intelligence artificielle, un outil d’analyse d’images fiable et reproductible afin d’améliorer ce processus.

Des lames contenant des coupes d’ovaires ont été numérisées via un scanner de lames puis analysées. Un algorithme d’apprentissage profond (deep learning) a été élaboré à partir de réseaux neuronaux à convolutions pilotés par un sous-algorithme à fenêtre glissante. Il a été entraîné sur une base de données de 9 millions d’images extraites de 6 ovaires de souris, puis testé sur 2 ovaires (3 millions d’images à classer et 2,000 follicules à détecter).

L’algorithme améliore les mesures effectuées par un anatomopathologiste en termes de détection optique. La spécificité et la sensibilité étaient supérieures à 90 et 65 % respectivement. Le traitement des coupes histologiques numérisées d’un ovaire complet est réalisé en moins d’une minute, divisant le temps habituel par un facteur d’environ 30.

Ce travail innovant s’appuie sur une technologie de deep learning en plein essor. Cet outil sera très utile pour toutes les équipes s’intéressant à la physiologie ovarienne, le modèle murin étant couramment utilisé pour explorer la reproduction. L’adaptation de cette technologie à la reconnaissance et au comptage des follicules primordiaux dans les fragments de cortex ovarien humain serait très utile dans le cadre de la préservation de la fertilité.