L’IA entraînée à « penser » comme les pathologistes humains pourrait être meilleure pour détecter le cancer

Intelligence artificielle Les algorithmes d’IA qui recherchent le cancer pourraient faire un meilleur travail lorsqu’ils abordent l’analyse comme s’ils étaient un pathologiste humain, suggère une nouvelle étude.

De nombreux systèmes d’IA analysent des régions présélectionnées d’un échantillon de tissu ou divisent une lame pathologique entière en zones de taille fixe. En revanche, un pathologiste effectue une recherche plus dynamique, en parcourant les tissus, en effectuant des zooms avant et arrière et en s’arrêtant sur les zones qui soulèvent des signaux d’alarme. Une diapositive entière peut contenir des milliards de pixels, alors que les preuves de cancer peut occuper seulement une petite parcelle.

Co-auteur de l’étude Zhi Huangprofesseur adjoint de pathologie et de médecine de laboratoire à l’Université de Pennsylvanie, a comparé le processus à un hélicoptère de recherche et de sauvetage. « Vous ne commencez pas par inspecter un mètre carré de sol », a déclaré Huang à Live Science. Vous scannez d’abord le paysage, puis vous vous précipitez pour l’observer de plus près.

Dans la nouvelle étude, publiée en juillet dans la revue NatureHuang et ses collègues ont démontré que l’IA de détection du cancer pourrait mieux fonctionner lorsqu’elle adopte cette approche humanisée.

Former l’IA à la chasse au cancer

Les algorithmes d’IA appelés modèles de langage de vision (VLM) ont du mal avec la première étape décrite par Huang – cette analyse initiale superficielle. Cela est dû en partie au fait que de nombreux systèmes d’IA en pathologie apprennent de ce que les pathologistes laissent derrière eux à la fin de cette recherche : une image étiquetée indiquant où se trouve le cancer ou un diagnostic officiel.

Au lieu de cela, les chercheurs ont entraîné leur nouvelle IA sur le comportement de recherche des pathologistes. Ils ont appelé cette approche de la formation « Pathologie-CoT », abréviation de « chaîne de pensée ». Il transforme les actions observables, notamment les déplacements des pathologistes et le zoom sur une image, en données d’entraînement.

Pour collecter les données, l’équipe a créé un outil qui enregistrait la manière dont les pathologistes se déplaçaient autour d’une lame et modifiaient le grossissement. Les enregistrements bruts, rassemblés auprès de huit pathologistes, étaient désordonnés, car un pathologiste donné pouvait dériver sur une lame, dépasser sa zone de mise au point prévue ou jouer avec le grossissement pour l’ajuster à sa guise.

Pour nettoyer les données, les chercheurs ont filtré ces mouvements accidentels, en se concentrant sur les moments qui semblaient représenter une attention délibérée, comme s’attarder sur une vue ou faire un panoramique soutenu. Ensuite, ils ont comparé ces régions avec des données de suivi oculaire pour vérifier que le logiciel capturait réellement l’endroit où les pathologistes regardaient.

Pour chaque région inspectée par un pathologiste, le VLM a également rédigé une brève justification expliquant pourquoi la région méritait d’être examinée et quelles caractéristiques étaient visibles ; les pathologistes humains pourraient alors accepter, modifier ou rejeter la justification, créant ainsi des données de formation supplémentaires pour l’IA. Dans un exemple, l’IA a signalé une partie d’une lame comme potentiellement métastatique et a suggéré de zoomer pour rechercher des cellules atypiques. D’autres régions inspectées ont été signalées comme tissus sains.

Finalement, les chercheurs ont utilisé cette méthode de formation pour créer un nouvel outil appelé Pathology-o3. Il numérise une lame à basse résolution, utilise un modèle formé sur le comportement des pathologistes pour choisir les régions qui méritent d’être examinées de plus près, puis envoie des vues à plus haute résolution de ces régions à un VLM pour analyse.

Le mettre à l’épreuve

Huang a déclaré que l’objectif de la nouvelle étude n’était pas de montrer que Pathology-o3 fonctionnait mieux que les modèles d’IA spécialisés spécialement conçus pour détecter des types spécifiques de cancer ; ces modèles sont souvent formés maladie par maladie. Les chercheurs voulaient plutôt voir si leur nouvelle approche de formation pouvait aider une IA à usage général à naviguer plus efficacement dans une diapositive pathologique.

Ils ont comparé Pathology-o3 à d’autres systèmes d’IA à usage général, tels que o3 d’OpenAI, et ont demandé aux algorithmes d’examiner des lames contenant du tissu ganglionnaire. Ces lames ont été collectées sur des cas de cancer colorectal et certaines contenaient un cancer métastatique, que les pathologistes humains avaient déjà étiqueté.

L’algorithme a correctement identifié les lames positives pour le cancer dans 100 % des cas. Cependant, parmi les diapositives identifiées comme positives, 15,5 % étaient en réalité négatives. En comparaison, OpenAI o3 a correctement identifié les lames positives pour le cancer dans 87,5 % des cas. Parmi les diapositives identifiées comme positives, 53,3 % étaient en réalité négatives.

Les chercheurs ont conçu Pathology-o3 pour éviter de signaler quelque chose pour un autre examen, plutôt que de potentiellement manquer un cancer. Cela pourrait aider à expliquer le taux de faux positifs, a déclaré Huang.

Que ce taux de fausses alarmes soit acceptable dépend de la manière dont Pathology-o3 est utilisé, a déclaré Mohamed Asadiun data scientist de l’Université de Stanford qui n’a pas participé à la recherche. Ce n’est pas assez précis pour que l’IA diagnostique elle-même les patients, mais il pourrait quand même être utile pour un système de diriger un humain vers des régions d’une lame qui méritent d’être vérifiées. Il pourrait être avantageux que cette approche montre au pathologiste une région spécifique à inspecter plutôt que de déclarer suspecte une lame entière, a-t-il déclaré.

Les chercheurs ont essayé de répéter le test sur un ensemble de données indépendant que les algorithmes n’avaient jamais vu auparavant pour voir dans quelle mesure il fonctionnait sur des diapositives inconnues. Pathology-o3 a correctement identifié les lames positives pour le cancer dans 97,6 % des cas. Parmi les diapositives identifiées comme positives, 37,1 % étaient en réalité négatives. Cette découverte est un exemple de la façon dont les performances de l’IA peuvent changer lorsque la source de données change, même lorsque la tâche médicale reste la même.

Asadi a expliqué que ce résultat suggère que le système peut toujours fonctionner avec des diapositives provenant d’une source différente. Mais ce résultat ne montre pas encore que l’utilisation de cet outil rendrait les pathologistes plus précis ou plus efficaces dans leur pratique.

Cela peut-il aider les pathologistes ?

Les chercheurs ont appliqué leur approche de formation à plusieurs VLM existants, constatant que les performances des modèles s’amélioraient constamment après la formation. Cela suggère que les données de navigation fournies par les pathologistes étaient utiles dans tous les contextes, a déclaré Asadi.

Pour Huang, c’est le résultat le plus important. « Les plats à emporter ne sont pas notre système », a-t-il déclaré. « C’est que l’ingrédient manquant est resté dans les hôpitaux pendant tout ce temps. »

L’étude n’a pas comparé Pathology-o3 directement avec des pathologistes humains, mais les chercheurs ont déclaré que ce n’était pas leur objectif.

« La bonne question n’est pas de savoir si cela bat un pathologiste », a déclaré Huang. « Il s’agit de savoir si un pathologiste qui travaille avec ce virus détecte davantage (de cas de cancer) et travaille plus rapidement. » L’étude actuelle n’a pas non plus abordé cette dernière question, mais la prochaine expérience de l’équipe est conçue pour tester les pathologistes sur les mêmes cas avec et sans Pathologie-o3, en mesurant ce qu’ils attrapent et combien de temps ils mettent pour le faire.

L’utilisation la plus plausible du système est celle d’un outil de présélection, a déclaré Asadi, mais il a souligné que la recherche n’a pas encore montré que les médecins qui l’utilisent deviennent plus rapides ou plus précis. Asadi souhaite un test encore plus rigoureux : des essais menés dans plusieurs hôpitaux qui mesurent non seulement la précision et la rapidité, mais également la charge de travail des pathologistes. Il souhaite que les essais évaluent le fardeau des fausses alarmes provenant des algorithmes d’IA et si les médecins reconnaissent quand l’IA est erronée.

Il est important de noter que les diagnostics de cancer peuvent nécessiter des informations provenant de plusieurs lames, taches et antécédents médicaux d’un patient, alors que le système actuel ne lit qu’une lame à la fois. « Je ne prétendrais pas qu’il devrait diagnostiquer tout seul », a déclaré Huang.

Cet article est uniquement à titre informatif et ne vise pas à offrir des conseils médicaux.