Mise en place d’un modèle de deep learning basé sur l’immunohistochimie ciblant CD31 permettant la segmentation tissulaire cardiaque et la qualité vasculaire cardiaque

Abstract

Introduction

Les procédures de segmentation automatisée pour quantifier les marquages immuno-histochimiques se développent dans différents domaines de la pathologie digitale depuis plusieurs années grâce aux modèles d’intelligence artificielle. Dans le cadre d’un projet collaboratif entre l’ophtalmologie, la chirurgie cardiovasculaire, l’anatomopathologie et la bioinformatique, notre équipe a évalué la possibilité de quantifier et de qualifier automatiquement la vascularisation myocardique sur des pièces opératoires d’auricules.

Méthodes

Dans le cadre de l’étude MRCC (ID-RCB : 2021-A02895-36), nous avons marqué par immunohistochimie 37 pièces opératoires d’auricules de fenestration de canulation par l’anticorps anti-CD31. À partir des images générées, un premier algorithme de segmentation basé sur un modèle de deep learning U-Net [1] associé à un réseau de neurones VGG16 [2] a été réalisé à l’échelle tissulaire pour différencier l’épicarde du myocarde. Un deuxième algorithme basé sur un modèle U-Net a été entraîné à l’échelle cellulaire pour reconnaître le marquage CD31 et différencier la macrovascularisation (gros vaisseaux et endocarde) de la micro-vascularisation. Un modèle de machine-learning a ensuite été appliqué sur les caractéristiques morphométriques des vaisseaux pour affiner la classification entre l’endocarde et macro-vascularisation.

Résultats

De manière visuelle objectivée par QuPath [3], les résultats de segmentation tissulaire montrent la capacité de notre modèle de deep learning à détecter le myocarde de manière spécifique. La segmentation vasculaire est très spécifique et sensible grâce à la finesse du marquage CD31. La reclassification endocarde/macro-vascularisation manque parfois de précision sur les plus gros troncs vasculaires notamment en section longitudinale.

Conclusion

Nos résultats soulignent la possibilité de générer un modèle de segmentation tissulaire et cellulaire de précision sur des lames d’immunohistochimie. Il est nécessaire de souligner l’importance de la qualité de précision des annotations qui ont permis de l’entraîner efficacement. Le modèle de classification vasculaire permettra une quantification précise de la vascularisation cardiaque qui sera confrontée aux autres résultats clinico-biologiques de l’étude MRCC.