Les classifications de l’IA sont en constante évolution. Actuellement, on peut distinguer 3 domaines : IA symbolique, IA sous-symbolique et IA intermédiaire, mais les frontières les séparant restent floues [1Ilkou E, Koutraki M. Proceedings of the CIKM 2020 Workshops, October 19-20, Galway, Ireland

Cliquez ici pour aller à la section Références]. Schématiquement, l’AAS peut être classé comme une méthode appartenant au 2^e groupe, en opposition aux méthodes rigides de programmation (1^er groupe). L’application de l’IA en microscopie connaît un essor vertigineux [3 Deep learning in microscopy. Nature Portfolio  :  (2019). 

Cliquez ici pour aller à la section Références, 2Levet F., Carpenter A.E., Eliceiri K.W., Kreshuk A., Bankhead P., Haase R. Developing open-source software for bioimage analysis: opportunities and challenges F1000Res 2021 ;  10 : 302 [cross-ref]

Cliquez ici pour aller à la section Références], notamment dans le cadre de la segmentation des objets présents dans les images en vue de leur mesure automatique. La segmentation dite sémantique repose sur les propriétés des pixels constituant l’image. Les méthodes fondées sur l’analyse de leurs niveaux de gris ou de leurs couleurs, instrumentalisées dans des douzaines d’algorithmes et adaptées aux différents fespaces colorimétriques, donnent souvent des résultats décevants surtout quand elles sont appliquées au traitement d’images par séries. Les techniques d’IA reposent sur la reconnaissance de dizaines–de centaines quand il s’agit de cloud computing–propriétés des objets d’intérêt : couleurs, textures, bords et leurs dérivées inaccessibles à la vision et au raisonnement humains. L’AI est à juste titre assimilé à la notion de boite noire : c’est une méthode à faible explicabilité mais à haute précision [1Ilkou E, Koutraki M. Proceedings of the CIKM 2020 Workshops, October 19-20, Galway, Ireland

Cliquez ici pour aller à la section Références]. L’approche AAS consiste à créer un classificateur qui, s’il est suffisamment précis, peut être appliqué à la segmentation de centaines et de milliers d’images en série. Cette présentation résume notre expérience de plus de 15 ans avec plusieurs outils informatiques disponibles sur le marché ou dans le monde académique, y compris certains développés par nous. Elle est aussi illustrée par des exemples publiés où la morphologie quantitative à un apport significatif à la compréhension des processus (patho)biologique s : stéatose et fibrose hépatiques, artériopathies, cardiopathie sclérosante, immunohistochimie multiplexe et études in vitro sur l’autophagie et la morphologie nucléaire.