Une plateforme de diagnostic par apprentissage profond pour le lymphome diffus à grandes cellules B avec une haute précision dans plusieurs hôpitaux

L'histopathologie diagnostique est une référence pour le diagnostic des hémopathies malignes. Le diagnostic pathologique exige une lecture laborieuse d'un grand nombre de lames tissulaires avec une exactitude diagnostique égale ou proche de 100 % afin d’orienter les options thérapeutiques, mais cette exigence est difficile à remplir. Bien que l'intelligence artificielle (IA) aide à réduire le travail de lecture des lames pathologiques, la précision diagnostique n'a pas atteint un niveau cliniquement utilisable. L'établissement d'un modèle d'IA demande souvent de grands ensembles de données et une capacité à gérer de grandes variations dans la préparation des échantillons et la collecte d'images. Ici, nous établissons une plateforme d'apprentissage profond très précise, composée de multiples réseaux de neurones convolutionnels, pour classer les images pathologiques en utilisant des ensembles de données plus petits. Nous analysons séparément des images pathologiques humaines de lymphome diffus à grandes cellules B (DLBCL) et de non-DLBCL provenant de trois hôpitaux à l'aide de modèles d'IA, et obtenons un taux de diagnostic proche de 100 % (100 % pour l'hôpital A, 99,71 % pour l'hôpital B et 100 % pour l'hôpital C). La variabilité technique introduite par la préparation des lames et la collecte d'images réduit la performance du modèle d'IA lors de tests inter-hôpitaux, mais la précision diagnostique de 100 % est maintenue après son élimination. Il est désormais cliniquement pratique d’utiliser des modèles d’apprentissage profond pour le diagnostic du DLBCL et, en fin de compte, d'autres hémopathies malignes humaines.