Application de l’Intelligence Artificielle dans les pays à ressources limitées : exemple du laboratoire d’anatomie et de cytologie pathologiques de Sahloul, Sousse, Tunisie

Introduction

Les avancées parallèles de la médecine et de l’informatique ont introduit des techniques révolutionnaires dans la localisation et le traitement des pathologies graves. Cependant, l’évaluation du pronostic reste une tâche difficile malgré la précision des équipements médicaux. La solution qui se dessine de plus en plus est l’implémentation d’une alternative informatique, à savoir l’intelligence artificielle, pour la stadification du cancer et l’évaluation du pronostic. Ce travail a ainsi comme objectif de mettre en évidence l’apport de l’intelligence artificielle dans l’anatomie pathologique.

Matériels et méthodes

Les données ont été collectées et traitées au département de pathologie de l’hôpital Sahloul, à Sousse, en Tunisie. À partir de lames de tumeurs neuroendocrines pancréatiques, de mélanomes uvéaux et de carcinomes colorectaux, nous avons pris des photos microscopiques : 1500 à 3000 photos de chaque type de tumeur à fort grossissement. La réalisation de notre modèle s’est déroulée en quatre étapes : traitement des données, création, entraînement, et évaluation du modèle.

Résultats

À travers une interface, l’application doit accomplir la tâche du médecin : calculer la moyenne des 10 plus grands nucléoles pour les cas de mélanome uvéal, estimer le ki67 pour les tumeurs neuroendocrines et évaluer le pourcentage de lymphocytes dans le stroma du carcinome colorectal. Un système de gan (réseaux génératifs antagonistes) a été utilisé. Ils présentent une classe de réseaux de neurones développée par Ian Goodfellow en 2014. Ils consistent en deux réseaux concurrents : un générateur et un discriminateur. Le générateur crée des échantillons de données (par exemple, des images) à partir de bruit aléatoire, tandis que le discriminateur tente de distinguer entre les échantillons réels et ceux générés. Ces réseaux sont entraînés simultanément : le générateur essaie de tromper le discriminateur, et le discriminateur essaie de devenir meilleur à détecter les faux échantillons. Ce jeu en boucle permet au générateur de produire des données de plus en plus réalistes. Les résultats obtenus ont montré une précision très proche de 1, surpassant les autres outils existants. Les résultats de ce travail peuvent servir de base à des recherches ultérieures, telles que l’application des étapes de traitement et des algorithmes de traitement d’images à d’autres types de tumeurs. De plus, le modèle peut être entraîné avec des données provenant d’autres tumeurs.

Conclusion

L’intelligence artificielle s’est révélée être un outil très utile et facilitateur dans ce contexte. Elle nous a permis de calculer avec précision un paramètre important et d’améliorer la prise en charge des patients. L’entraînement des méthodes d’IA et la validation des modèles d’IA à l’aide de vastes ensembles de données avant d’appliquer ces méthodes aux données personnelles peuvent répondre à de nombreux défis auxquels la médecine est confrontée aujourd’hui.