Illustration de l'utilisation de Ceograph pour la classification d'images pathologiques. un organigramme de classification d'images traditionnelle (flèche supérieure) et Ceograph (flèche inférieure). La méthode Ceograph comprend l'identification des noyaux par coloration HD, construction de graphiques et classification. L'application à la classification des sous-types histologiques du cancer du poumon est utilisée à titre d'exemple. Les patchs d'image mesurent 1 024 × 1 024 pixels sous un grossissement de 40X. b Structure Ceograph conçue dans cette étude, permettant à la fois la classification et l'interprétation du modèle. c Organigramme du processus de calcul détaillé d'une fonctionnalité de nœud (appelé auto-nœud) via une couche CSIGC. Les cases orange indiquent les couches apprenables impliquées dans la rétro-propagation. (Adénocarcinome ADC, carcinome épidermoïde SCC, convolution graphique conditionnée par l'interaction spatiale des cellules CSIGC). Crédit: Communications naturelles (2023). DOI : 10.1038/s41467-023-43172-8
Les chercheurs du centre médical UT Southwestern ont développé un nouveau modèle d'intelligence artificielle (IA) qui analyse la disposition spatiale des cellules dans des échantillons de tissus. Cette approche innovante, détaillée dans Communications naturellesa prédit avec précision les résultats pour les patients atteints de cancer, marquant ainsi une avancée significative dans l'utilisation de l'IA pour le pronostic du cancer et les stratégies de traitement personnalisées.
“L'organisation spatiale cellulaire est comme un puzzle complexe dans lequel chaque cellule sert de pièce unique, s'assemblant méticuleusement pour former une structure cohésive de tissu ou d'organe. Cette recherche met en valeur la capacité remarquable de l'IA à saisir ces relations spatiales complexes entre les cellules au sein des tissus, extraire des informations subtiles qui dépassaient auparavant la compréhension humaine tout en prédisant les résultats pour les patients », a déclaré le responsable de l'étude Guanghua Xiao, Ph.D., professeur à l'école Peter O'Donnell Jr. de santé publique, de génie biomédical et au département Lyda Hill de bioinformatique de l'UT. Sud-ouest. Le Dr Xiao est membre du Harold C. Simmons Comprehensive Cancer Center de l'UTSW.
Des échantillons de tissus sont régulièrement prélevés sur les patients et placés sur des lames pour être interprétés par des pathologistes, qui les analysent pour établir des diagnostics. Cependant, a expliqué le Dr Xiao, ce processus prend du temps et les interprétations peuvent varier selon les pathologistes. De plus, le cerveau humain peut manquer des caractéristiques subtiles présentes dans les images pathologiques qui pourraient fournir des indices importants sur l'état d'un patient.
Divers modèles d'IA construits au cours des dernières années peuvent remplir certains aspects du travail d'un pathologiste, a ajouté le Dr Xiao, par exemple, identifier les types de cellules ou utiliser la proximité des cellules comme indicateur des interactions entre les cellules. Cependant, ces modèles ne parviennent pas à récapituler des aspects plus complexes de la façon dont les pathologistes interprètent les images tissulaires, tels que la détection des modèles d'organisation spatiale cellulaire et l'exclusion du « bruit » étranger dans les images qui peuvent brouiller les interprétations.
Le nouveau modèle d'IA, que le Dr Xiao et ses collègues ont nommé Ceograph, imite la façon dont les pathologistes lisent les lames de tissus, en commençant par détecter les cellules dans les images et leur position. À partir de là, il identifie les types de cellules ainsi que leur morphologie et leur répartition spatiale, créant ainsi une carte dans laquelle la disposition, la distribution et les interactions des cellules peuvent être analysées.
Les chercheurs ont appliqué avec succès cet outil à trois scénarios cliniques à l’aide de diapositives pathologiques. Dans l’un d’eux, ils ont utilisé Ceograph pour distinguer deux sous-types de cancer du poumon, l’adénocarcinome ou le carcinome épidermoïde. Dans un autre cas, ils ont prédit la probabilité que des troubles bucco-dentaires potentiellement malins (lésions précancéreuses de la bouche) évoluent vers un cancer. Dans la troisième, ils ont identifié les patients atteints d'un cancer du poumon qui étaient les plus susceptibles de répondre à une classe de médicaments appelés inhibiteurs des récepteurs du facteur de croissance épidermique.
Dans chaque scénario, le modèle Ceograph a largement surpassé les méthodes traditionnelles pour prédire les résultats pour les patients. Il est important de noter que les caractéristiques de l'organisation spatiale cellulaire identifiées par Ceograph sont interprétables et conduisent à des informations biologiques sur la manière dont le changement d'interaction spatiale cellule-cellule individuelle pourrait produire diverses conséquences fonctionnelles, a déclaré le Dr Xiao.
Ces résultats mettent en évidence le rôle croissant de l’IA dans les soins médicaux, a-t-il ajouté, offrant ainsi un moyen d’améliorer l’efficacité et la précision des analyses pathologiques. « Cette méthode a le potentiel de rationaliser les mesures préventives ciblées pour les populations à haut risque et d'optimiser la sélection du traitement pour chaque patient », a déclaré le Dr Xiao, membre du centre de recherche biomédicale quantitative de l'UT Southwestern.
Plus d'information:
Shidan Wang et al, L'apprentissage profond des organisations spatiales cellulaires identifie des informations cliniquement pertinentes dans les images tissulaires, Communications naturelles (2023). DOI : 10.1038/s41467-023-43172-8
Fourni par le centre médical UT Southwestern
Citation: L'IA prédit avec précision les résultats du cancer à partir d'échantillons de tissus (11 décembre 2023) récupéré le 11 décembre 2023 sur
Ce document est soumis au droit d'auteur. En dehors de toute utilisation équitable à des fins d'étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.
