La numérisation des données histopathologiques a ouvert la porte à des diagnostics plus rapides, reproductibles et précis, notamment en pathologie mammaire. Face à la pénurie croissante et à l’âge avancé des médecins pathologistes, des solutions de numérisation d’images ont été mis au point. Ils allègent la charge du travail journalière des pathologistes, améliorent la précision des diagnostics et limitent le taux d’erreur.

Évaluer la sensibilité et la spécificité de deux algorithmes entraînés sur une série de lésions mammaires.

Nous avons effectué une étude prospective portant sur 116 pièces opératoires mammaires réalisées pour un carcinome mammaire invasif, traitées au laboratoire d’anatomie pathologique de l’Institut national d’oncologie de Rabat, sur une période de 6 mois allant de janvier 2020 à juin 2020. Les diagnostics ont été validés par un anatomopathologiste au microscope optique, avec une numérisation des lames colorées à l’HE, prises au grossissement ×200. La validation du diagnostic sur les lames numérisées a été réalisée par 3 pathologistes spécialisés en pathologie mammaire. Les régions d’intérêt ont concerné au total 328 images, classées en : carcinome invasif (groupe 2) ; carcinome in-situ (groupe 1), bénin : lésions bénignes et/ou structures normales (groupe 0). Toutes les données ont été saisies selon une approche de machine learning basée sur 3 phases : prétraitement des données, extraction des caractéristiques et classification selon le réseau de neurones convolutionnels, et exposition des résultats sous forme de deux modèles d’algorithmes par calcul de la précision moyenne (average accuray) : ResNet et Xception.

Nous avons analysé 328 images digitalisées, dont 152 groupe 0, 70 groupe 1 et 106 groupe 2. La concordance de la lecture par les trois pathologistes entre la lame en verre et numérique était de 98,7 % des cas. L’entraînement sur les deux algorithmes a été évalué par une validation croisée. L’Accuray était de 84,5 % dans le modèle ResNet, et de 88 % dans le modèle Xception.

En termes d’analyse d’images digitalisées, tous les pathologistes ont choisi de continuer à utiliser le microscope numérique comme standard pour le diagnostic morphologique des échantillons du sein avec le recours à la lame en verre pour un nombre limité de scénarios. Sur les algorithmes entraînés utilisés, la performance de précision était plus élevée dans les deux groupes 0 (94 %) et 2 (80 %) par rapport au groupe 1 (70 %). Ceci peut s’expliquer par la difficulté du diagnostic et aussi par l’échantillonnage réduit du groupe 2.

Le recours à l’intelligence artificielle avec la méthode du deep learning va révolutionner le travail, souvent répétitif et chronophage, du médecin anatomopathologiste, et dont l’objectif n’est pas de remplacer les professionnels de santé, mais de leur apporter une aide convaincante dans la détection du cancer du sein, et de sa prise en charge personnalisée.