SFH 2024 | Intelligence artificielle : quelles applications pour le diagnostic cytologique en hématologie ?

« Depuis les années 80, l’IA a fait son entrée dans les laboratoires par les automates de cytologie, permettant de réaliser la numération globulaire et la formule leucocytaire », explique le Dr Thomas Boyer (Amiens). Les étapes traditionnelles de machine learning pour la reconnaissance des leucocytes commencent par la segmentation, qui permet d’identifier la région cellulaire, nucléaire ou cytoplasmique. Puis, une extraction des caractéristiques globales des cellules est réalisée, suivie d’une sélection des critères les plus pertinents, afin de déterminer les cinq types de leucocytes normaux (figure 1). Cela passe par l’établissement d’une base de données d’images. Outre la cytologie sanguine, l’IA permet également de reconnaître les différents leucocytes médullaires, grâce à un algorithme spécifique (170 000 images obtenues). Il est même possible de restituer la proportion des différentes cellules et ainsi la formule du myélogramme. Figure 1. @SFH 2024   Détecter les leucémies Grâce à l’intervention de deux réseaux de neurones, l’IA peut détecter le type de leucémie aiguë myéloïde (LAM) d’après les cellules analysées(1). L’algorithme s’avère particulièrement efficace pour le diagnostic des LAM 3, 4, 6 et 7. Ses performances seraient comparables à celles des pathologistes seniors (plus de dix ans d’expérience), et même meilleures que celles des juniors.   Distinguer les syndromes myélodysplasiques Dans le sang périphérique, un algorithme (réseau de neurones circonvolutifs) a permis de distinguer les polynucléaires (PN) hypogranuleux - marqueurs de syndromes myélodysplasiques (SMD) - de ceux à granulation normale. Sa sensibilité et sa spécificité se sont révélées excellentes (environ 95 %), avec une bonne différenciation des deux types de PN. Par ailleurs, un autre algorithme a été capable de différencier des SMD et des aplasies médullaires, grâce à l’utilisation de 97 particularités morphologiques(2). Sa sensibilité atteignait 96 % et sa spécificité 100 %. Dans la moelle osseuse, l’IA a aussi permis de distinguer les cellules médullaires normales et pathologiques, avec une très bonne sensibilité et spécificité(3). « Là aussi, les étapes étaient la digitalisation de la lame, la constitution de la base de données (8 000 images), et l’entraînement du deuxième réseau de neurones », détaille le Dr Boyer. Curieusement, les érythroblastes normaux se sont avérés les plus difficiles à identifier pour l’algorithme. D’autre part, des chercheurs ont réussi à différencier par IA les trois types de syndromes myéloprolifératifs à chromosome Philadelphie négatif (Ph-), selon la morphologie des mégacaryocytes.   En route vers le datachallenge CytologIA Le Groupe francophone d’hématologie cellulaire (GFHC) porte le projet CytologIA, dont l’objectif est de développer un outil d’IA permettant de classer automatiquement les leucocytes normaux et pathologiques. La première étape vise à constituer une base de données d’images de leucocytes normaux et pathologiques, variée et de bonne qualité. La deuxième phase passe par l’organisation d’un datachallenge international, qui devrait se dérouler en juin. Il mettra en compétition des équipes de bio-informaticiens, afin de sélectionner le meilleur algorithme. Au sein de chaque centre, les cytologistes étaient invités jusque fin avril à télécharger des images sur la plateforme (cytologia.fr/portail). Celles-ci vont alimenter la base de données, qui servira à l’entraînement et au test des algorithmes lors du datachallenge (figure 2). Fin mars, plus de 67 000 images étaient déjà récoltées (données anonymes et intraçables) grâce à 23 centres participants. Les classes de leucocytes disposant de plus de 1 000 images (quantité nécessaire pour réaliser une IA performante) seront soumises au datachallenge. « Ce que nous sommes en train de réaliser est unique, précise le Dr Boyer. L’ambition est d’amélioration le diagnostic des patients et la standardisation des pratiques, en permettant d’homogénéiser les compétences sur l’ensemble du territoire ». Figure 2. @SFH 2024   Références 1. Yu Z et al. J Hematol Oncol 2023 ; 16 : 27. 2. Kimura K et al. Sci Rep 2019 ; 9 : 13385. 3. Lee N et al. Sci Rep 2022 ; 12 : 18677.