Introduction : L’IA en pathologie redéfinit la précision diagnostique
L’intelligence artificielle transforme la pathologie numérique d’un processus statique de visualisation d’images en une discipline diagnostique dynamique et riche en données. En entraînant des algorithmes sur des données histopathologiques annotées, les modèles d’IA peuvent désormais aider les pathologistes à diagnostiquer le cancer, à classer les motifs tissulaires et même à prédire les résultats pour les patients.
Au cœur de cette transformation se trouve la segmentation d’images de pathologie — l’annotation détaillée des structures cellulaires et tissulaires sur des lames numériques. Ces images en haute résolution, connues sous le nom de Images de lames entières numérisées (WSI), ont souvent une taille de 1 gigapixel et contiennent des informations diagnostiques critiques à l’échelle microscopique.
Cet article propose un guide complet sur la segmentation d’images de pathologie pour l’IA, y compris les flux de travail, les types d’annotations, les outils et les meilleures pratiques adaptés aux cliniciens, aux chercheurs médicaux et aux équipes d’IA du secteur de la santé.
1. Qu’est-ce que la segmentation des images de pathologie ?
Définition
La segmentation des images de pathologie désigne au processus de délimitation des régions tissulaires, des types de cellules et des structures dans des lames de microscope numérisées à l’aide de techniques telles que la segmentation sémantique, la segmentation d’instances et l’Annotation de polygones.
Pourquoi c’est important pour l’IA
- Permet aux modèles d’apprentissage profond de « voir » et de comprendre les modèles histologiques.
- Réduit les erreurs diagnostiques grâce à l’analyse quantitative des tissus.
- Alimente les systèmes de notation automatisés (par exemple, le score de Gleason pour le cancer de la prostate).
- Soutient la découverte de biomarqueurs et l’analyse du microenvironnement tumoral.
Principales applications
- Diagnostic et classification du cancer(sein, côlon, prostate, poumons)
- Détection et comptage de cellules
- Segmentation du noyau
- Cartographie de l’interface tumeur-stroma
- Analyse de l’infiltration inflammatoire
En savoir plus sur la façon dont l’IA améliore la pathologie à partir de Nature Medicine.
2. Comprendre l’imagerie de lames entières numérisées (WSI)
Que sont les images de lames entières (WSI) ?
L’imagerie de lames entières numérisées (WSI) désigne la numérisation de lames de pathologie en verre traditionnelles à très haute résolution, créant des lames virtuelles qui peuvent être visualisées et parcourues comme des cartes. Ces lames permettent aux pathologistes et aux modèles d’IA de zoomer et dézoomer sur des coupes de tissus avec une précision chirurgicale.
Les WSI constituent l’épine dorsale de la pathologie numérique. Elles permettent aux cliniciens d’examiner numériquement la morphologie des tissus et permettent aux modèles d’IA d’accéder aux structures cellulaires dans un volume bien plus important que ne le pourrait jamais la microscopie traditionnelle.
Caractéristiques clés des WSI
- Résolution en gigapixels
Chaque lame peut dépasser 100 000 x 100 000 pixels. Cela permet d’inspecter l’image à la fois au niveau des tissus et des cellules sans perte de clarté. - Grossissement à plusieurs niveaux
Les visionneuses WSI permettent un zoom fluide de 1x à 40x ou plus, reproduisant ainsi la façon dont un pathologiste examinerait des lames au microscope. - Architecture basée sur des tuiles
Les WSI sont stockés sous forme de tuiles ou de patchs. Cela permet aux systèmes de charger uniquement ce qui est visible à l’écran plutôt que l’image entière, ce qui est essentiel pour les performances. - Diversité des colorations
Les WSI sont disponibles avec différents types de colorants, tels que H&E (hématoxyline et éosine), IHC (immunohistochimie), PAS, Giemsa, etc. Chaque coloration met en évidence différentes structures et affecte le comportement de segmentation. - Formats de fichiers multiples
Les formats courants incluent.svs,.ndpi,.mrxs,.tiff, et.scn. Ils sont souvent spécifiques au fournisseur et peuvent nécessiter un traitement personnalisé.
Pourquoi les WSI sont importants pour l’IA et l’annotation
Les images de lames entières numérisées sont essentielles à l’entraînement des modèles d’IA de pathologie. Leur résolution massive capture à la fois le contexte macroscopique et microscopique nécessaire à une analyse significative.
Voici pourquoi elles sont indispensables :
- Informations denses: Une seule lame peut contenir des milliers de cellules et des dizaines de types de tissus. Annoter même une petite région peut entraîner des modèles d’IA hautement performants.
- Collaboration à distance: Les lames numériques peuvent être partagées avec des pathologistes du monde entier, ce qui permet de mener des projets d’annotation multisites.
- Extraction de patchs: Les développeurs peuvent diviser les WSI en vignettes pour créer des jeux de données d’entraînement volumineux à partir de quelques lames seulement.
- Entraînement de précision: Les visualiseurs WSI imitant les microscopes, les annotations peuvent être effectuées à une résolution diagnostique, améliorant ainsi la précision du modèle.
Difficultés liées à l’annotation des WSI
Malgré leurs avantages, les WSI présentent plusieurs obstacles techniques et opérationnels :
- Taille des fichiers et performances
Les WSI pèsent souvent de 1 à 10 Go par lame. Les diffuser ou les charger nécessite une infrastructure puissante et des visualiseurs optimisés. - Cohérence du grossissement
Un modèle entraîné sur des tuiles à un grossissement de 10x peut échouer lorsqu’il est testé sur 20x. Les flux de travail d’annotation doivent standardiser ou prendre en charge plusieurs niveaux de grossissement. - Variation de couleur entre les laboratoires
Les différences entre les techniques de coloration peuvent créer une apparence irrégulière des lames, même pour le même tissu. Cela peut perturber les modèles à moins que la normalisation des couleurs ne soit appliquée. - Complexité d’annotation
Contrairement aux images naturelles, l’annotation des WSI nécessite de zoomer et de dézoomer, de parcourir de grandes zones et d’identifier avec précision des structures complexes telles que les glandes, les noyaux ou les marges tumorales.
Outils courants pour l’annotation WSI
Il existe plusieurs outils bien connus qui rendent la navigation et l’annotation WSI pratiques :
- OpenSlide: bibliothèque C open source qui prend en charge la lecture de formats WSI tels que
.svset.ndpi. Souvent utilisé dans les flux de travail principaux. - QuPath: Un puissant outil de bureau open source pour la segmentation des cellules, le traitement par lots et la création de scripts, particulièrement apprécié dans les laboratoires universitaires.
- Archive de lames numériques (DSA): Une plateforme Web évolutive avec annotation, diffusion et gestion de projet intégrées.
- HistomicSTK: Construit sur le DSA, il permet l’annotation, la segmentation et la visualisation via des outils Web.
- Aiforia: une plateforme commerciale optimisée pour la segmentation WSI assistée par l’IA, avec des visualiseurs zoomables et des flux de travail modèle-in-loop.
Bonnes pratiques pour travailler avec les WSI dans le domaine de l’IA
- Annotez toujours plusieurs niveaux de grossissement pour soutenir l’apprentissage à plusieurs échelles.
- Utiliser stratégies de mise en tuiles pour fractionner de grandes images et gérer les contraintes de mémoire du GPU.
- Appliquez normalisation des colorations techniques visant à minimiser la variabilité entre les lames provenant de différents laboratoires ou scanners.
- Concevez votre flux de travail d’annotation pour prendre en charge plusieurs types d’étiquettes, des masques d’instance cellulaire aux régions tumorales globales, en fonction de votre cas d’utilisation.
Vous recherchez des jeux de données publics ? Consultez le Archive numérique de lames sur le cancer pour les WSI annotés.
3. Techniques de segmentation courantes dans l’annotation des pathologies
3.1. Segmentation sémantique
Un type de tissu (épithélium, stroma, tumeur, etc.) est attribué à chaque pixel. Idéal pour :
- Cartographie de la sous-région du cancer
- Classification des tumeurs et des non-tumeurs
- Détection des limites tissulaires
3.2. Segmentation des instances
Utilisé pour faire la différence entre plusieurs instances d’objets similaires, tels que :
- Noyaux cellulaires individuels
- Clusters de lymphocytes
- Figures mitotiques qui se chevauchent
3.3. Annotation de polygones
Contours manuels ou semi-automatisés pour :
- Limites tumorales irrégulières
- Structures glandulaires complexes
- Régions stromales avec artefacts
3.4. Annotation de points et de points-clés
Utile pour :
- Compter les figures mitotiques
- Identification du centre des cellules
- Cartographie des points chauds du système immunitaire
3.5. Heatmaps ou régions d’attention
Des masques d’annotation qui reflètent :
- Activité tissulaire
- Prévalence du modèle
- Suivi du regard par un expert
Lisez comment MONAI prend en charge les flux de travail de segmentation d’images médicales dans PyTorch.
4. Flux de travail : de la lame à l’annotation compatible avec l’IA
Pipeline d’annotation de pathologie étape par étape
Description de l’étape 1. Sélection de lames Choisissez des WSI de haute qualité et pertinents sur le plan diagnostique.2. Définition de la région d’intérêt (ROI) Champ d’application restreint aux zones contenant des tissus.3. annotation Étiquetez les types de cellules, les régions ou les motifs à l’aide d’une méthode sélectionnée.4. Révision et assurance qualité Faites relire les annotations par un pathologiste ou un expert clinique.5. Exporter Convertissez vers des formats compatibles avec les frameworks d’apprentissage profond (par exemple, COCO, PASCAL VOC, YOLO).
Conseil :
Utiliser superpositions pour pathologistes ou des scans marqués au stylo pour guider la formation initiale des modèles. Au fil du temps, évoluez vers une vérité de base entièrement au niveau des pixels.
5. Outils d’annotation pour la segmentation d’images de pathologie
Ce qu’il faut rechercher
- Prise en charge native des WSI(
.svs,.ndpi,.tiff) - Zoom et mise en tuiles performants
- Collaboration multi-utilisateurs
- Couches d’annotations(noyaux, ROI, zones tumorales)
- Capacités d’assistance par IA / model-in-the-loop
Outils courants
Les outils courants incluent Aiforia pour les projets WSI assistés par IA, QuPath pour les usages académiques et la segmentation cellulaire, SlideRunner pour les annotations au niveau cellulaire, Digital Slide Archive + HistomicsTK pour les projets modulaires et évolutifs, ainsi que Labelbox ou Encord pour l’orchestration, la collaboration et le contrôle qualité.
Consultez GitHub de QuPath pour les outils et les scripts.
6. Exemples d’utilisation dans les domaines de la santé et de la recherche
La force de la segmentation d’images de pathologie réside dans sa capacité à s’adapter à un large éventail de disciplines médicales et applications. Vous trouverez ci-dessous une analyse plus approfondie des cas d’utilisation les plus importants qui transforment activement les flux de travail des soins de santé et le développement de l’IA.
6.1. Oncologie
Le diagnostic du cancer et la cartographie des tumeurs sont des cas d’utilisation le plus largement adopté de la segmentation basée sur l’IA. L’annotation des régions tumorales, des lymphocytes, de la nécrose et du stroma est cruciale pour :
- Classement Gleason dans le cancer de la prostate
- Notation de Nottingham dans le cancer du sein
- Stadification tumorale et identification des marges dans le cancer colorectal
- Détection des métastases ganglionnaires dans les cancers du sein et de l’estomac
Exemple: L’jeu de données CAMELYON16 a permis de former des algorithmes pour détecter les métastases du cancer du sein dans les ganglions lymphatiques avec une précision proche de celle des radiologues.
Ensemble de données CAMELYON16
6.2. Neuropathologie
Des lames numériques de biopsies ou de résections cérébrales sont utilisées pour entraîner des modèles pour :
- Segmentation des sous-types de gliomes
- Détection du méningiome
- Pathologie de la maladie d’Alzheimer, comme l’identification plaques amyloïdes et enchevêtrements neurofibrillaires
- Segmentation des lésions de sclérose en plaques
Besoins cliniques: Ces annotations sont essentielles pour réduire la variabilité entre les observateurs dans le classement des tumeurs du SNC.
6.3. Hématopathologie
En hématopathologie, la segmentation est utilisée pour :
- Classification des lignées cellulaires(p. ex. blastes par rapport aux lymphocytes matures)
- Segmentation par biopsie de moelle osseuse(cellules graisseuses, mégacaryocytes, amas érythroïdes)
- Analyse des frottis sanguins pour des maladies comme la leucémie ou l’anémie
Aperçu de l’outil: QuPath peut automatiser la détection et la classification de milliers de cellules sanguines par image, améliorant ainsi la rapidité et la cohérence.
6.4. Dermatopathologie
Les modèles de segmentation de l’IA en dermatologie soutiennent :
- Détection des frontières du mélanome
- Mesure de l’épaisseur de l’épiderme
- Infiltration de cellules inflammatoires
- Cartographie des lésions du psoriasis
Cas spécial: Dans le cadre de la chirurgie de Mohs, la segmentation par IA aide à évaluer la marge du tissu cutané excisé, améliorant ainsi les décisions peropératoires.
6.5. Pathologie gastro-intestinale
Les cas d’utilisation de la pathologie gastro-intestinale bénéficient des avantages suivants :
- Segmentation des cryptes dans le diagnostic des maladies inflammatoires de l’intestin (MII)
- Mesure de la densité des cellules caliciformes
- Cartographie des lésions de l'œsophage de Barrett
- Détection d’Helicobacter pylori
Application dans le monde réel: Le PANDA Challenge a entraîné des algorithmes sur la segmentation de la prostate et de la biopsie gastro-intestinale à utiliser dans le cadre du dépistage clinique.
6.6. Découverte de médicaments et essais cliniques
La segmentation joue un rôle majeur dans recherche préclinique et translationnelle:
- Quantifier l’expression des biomarqueurs(PD-L1, HER2, Ki-67)
- Suivi de la progression de la maladie dans des lames sur des modèles d’animaux
- Évaluation histopathologique de la réponse au traitement
- Paramètres histologiques évolutifs en pathologie numérique pour les CRO
Efficacité des essais pilotée par l’IA: Les sociétés pharmaceutiques utilisent désormais des images tissulaires annotées par IA comme points de terminaison dans Essais de phase I/II, en réduisant le recours à la notation subjective.
Un récent étude publiée dans JAMA explore les performances de l’IA par rapport aux pathologistes humains dans le classement du cancer.
7. Assurance qualité des annotations dans l’IA en pathologie
Pourquoi l’assurance qualité est essentielle
- Les erreurs d’annotation peuvent introduire un risque clinique.
- Grande variabilité entre les annotateurs en pathologie nécessite des contrôles de cohérence.
- L’IA entraînée à partir de données erronées peut être moins performante lors d’un déploiement réel.
Techniques d’assurance qualité courantes
- Double annotation+ adjudication
- Notation de l’accord entre annotateurs(par exemple, Kappa de Cohen)
- Références Gold Standard
- Panels de consensus pour les pathologies rares
En savoir plus sur annotation QA dans l’IA médicale sur PubMed.
8. Principaux défis de la segmentation des images de pathologie
Taille des images en gigapixels : mémoire limitée et chargement lent, à traiter par mise en tuiles et entraînement sur patchs. Subjectivité des annotations : variabilité entre experts, à réduire par consensus et revue spécialisée. Artefacts tissulaires : plis, déchirures et bruit, à gérer par prétraitement et augmentation des données. Déséquilibre des classes : résultats rares sous-représentés, à corriger par suréchantillonnage ou pondération de la perte. Variabilité des colorations : différences H&E ou IHC, à limiter par normalisation des colorations.
Curieux de savoir comment fonctionne la normalisation des colorations ? Lisez ceci article sur les méthodes de transformation des colorants.
9. Tendances et innovations émergentes
À mesure que la pathologie numérique mûrit, de nouvelles innovations repoussent les limites de l’annotation, de la segmentation et de la formation. Vous trouverez ci-dessous les principales tendances technologiques qui façonneront la prochaine génération d’outils de pathologie alimentés par l’IA.
9.1. annotation avec modèle dans la boucle
Au lieu d’un étiquetage manuel complet, les annotateurs utilisent modèles d’IA pré-entraînés pour générer des segmentations initiales qui sont ensuite corrigées et affinées.
Avantages :
- Augmente la vitesse jusqu’à 60 %
- Réduit la fatigue des annotateurs experts
- Crée une continuité boucle de rétroaction entre l’annotation et l’apprentissage des modèles
Des outils tels que Encord actif ou Labelbox Boost fournissent des suggestions en temps réel qui s’améliorent au fil du temps grâce à une plus grande participation des utilisateurs.
9.2. Apprentissage autosupervisé et faiblement supervisé
Compte tenu du coût élevé de l’annotation par des experts en pathologie,apprentissage autosupervisé (SSL) les méthodes gagnent du terrain. SSL pré-entraîne les modèles à l’aide de lames non annotées pour apprendre les représentations de structure et de texture.
Cas d’utilisation :
- Formation préalable sur de grands jeux de données publics (par exemple, The Cancer Genome Atlas)
- Réduire le besoin de milliers de masques au niveau des pixels
- Initialiser les modèles avec des labels au niveau de la lame
Une étude de la MICCAI 2021 a démontré comment le SSL a amélioré la classification du cancer colorectal avec seulement 10 % des données étiquetées.
9.3. Apprentissage fédéré en pathologie (IA)
Les hôpitaux ne peuvent souvent pas partager les données des patients pour des raisons de confidentialité. L’apprentissage fédéré permet à plusieurs établissements de entraîner un modèle partagé sans échanger de lames brutes.
Impact :
- Protège la confidentialité des données patients et la conformité RGPD
- Permet une généralisation intercentrique
- Encourage collaboration multi-institutionnelle
Segmentation tumorale fédérée (FET) est un excellent exemple d’IA fédérée appliquée à la segmentation des tumeurs cérébrales.
9.4. Génération et augmentation de données synthétiques
Grâce aux GAN et aux modèles de diffusion, les chercheurs peuvent générer des lames de pathologie de manière synthétique, ce qui aide à résoudre des problèmes tels que :
- Représentation des maladies rares
- Déséquilibre des données dans des kits d’entraînement
- Expériences contrôlées avec des caractéristiques parfaitement étiquetées
Outils à explorer :
- Pathologie GAN pour générer des images au niveau des cellules
- Transfert de style STAIN pour unifier la coloration sur les lames
9.5. La biologie spatiale rencontre la segmentation de l’IA
Nouvelles techniques d’imagerie tissulaire multiplexée (par ex.CODEX,MIBI,CytoF) génèrent des données allant au-delà de la coloration H&E, en capturant la distribution spatiale de des dizaines de biomarqueurs simultanément.
Utilisation de l’IA :
- Segmentation cellulaire combinée à l’expression des protéines
- Regroupement spatial des cellules immunitaires et des cellules cancéreuses
- Analyse du microenvironnement tumoral (TME) guidée par l’IA
Cette fusion de omiques spatiales et la segmentation est à la pointe de recherche en oncologie de précision.
9.6. Pipelines d’annotation de pathologies natifs du cloud
Les laboratoires modernes s’éloignent des logiciels locaux pour plateformes basées sur le cloud qui prennent en charge :
- Stockage et diffusion WSI
- Accès aux évaluateurs multiinstitutionnels
- Inférence et annotation soutenues par GPU
Des outils tels que Imagerie AWS HealthLake et Medical Imaging Suite de Google Cloud construisent des infrastructures pour une IA en pathologie évolutive et native du cloud.
Découvrez les Boîte à outils de pathologie MONAI pour le développement d’IA open source.
10. Formats d’annotation et conversion de pathologies
Formats courants
- JSON, COCO, YOLO, Pascal VOC
- GeoJSON pour les étiquettes de polygones
- Tableaux de masques (.npy,.png) pour la segmentation
Outils de conversion
Conclusion : la qualité des données conditionne le diagnostic assisté par IA
La précision de l’annotation des images de pathologie n’est pas seulement une nécessité technique, c’est une responsabilité clinique. Chaque polygone tracé, chaque noyau tracé, contribue à créer des modèles d’IA qui peuvent aider les pathologistes, accélérer la découverte de médicaments et améliorer les résultats diagnostiques.
Avec les bons outils, les bons flux de travail et l’expertise,La pathologie assistée par IA n’est pas un concept futuriste : il transforme déjà les laboratoires du monde entier. Mais le succès de ces systèmes dépend d’une chose :des annotations de haute qualité, cohérentes et cliniquement pertinentes.
Travaillez avec des experts en annotation de pathologies
Vous souhaitez adapter votre modèle d’IA à la pathologie ?
À DataVLab, nous sommes spécialisés dans l’annotation de pathologies de niveau clinique, qu’il s’agisse de segmentation tumorale, de détection de noyaux ou de flux de travail WSI complexes.
Expertise en oncologie, en neurologie et en maladies rares
Processus adaptés aux exigences de confidentialité et de protection des données
Contrôle qualité avec revue par experts métier lorsque le projet l’exige
Formats personnalisés : masques COCO, YOLO, JSON ou PNG
Nous contacter dès aujourd’hui pour discuter de votre projet et accélérer votre feuille de route en matière d’IA en santé.
