La lecture d’images assistée par IA dans l’analyse appliquée à la cytologie cervicale

Cet article est issu de Chinese Clinical Oncology

Auteurs : Liu Sichun, Hu Huaiyuan, Zhu Nana et Tang Heng

Le cancer du col de l’utérus est l’une des principales causes de décès liés au cancer chez les femmes, en Chine comme dans le monde. Il se classe au quatrième rang des tumeurs malignes les plus fréquentes chez la femme à l’échelle mondiale. En 2021, 109 741 nouveaux cas de cancer du col de l’utérus ont été diagnostiqués en Chine et 59 060 décès lui ont été imputés, plaçant cette pathologie au huitième rang des causes de décès par cancer chez la femme.

En adhérant au principe de la prévention prioritaire et en associant prévention et traitement, en augmentant la couverture du dépistage du cancer du col de l’utérus, en innovant dans les modèles de dépistage et en améliorant la qualité et l’efficacité de celui-ci, on peut atteindre un taux de détection précoce supérieur à 90 % pour le cancer du col de l’utérus. À l’heure actuelle, il existe en Chine une pénurie importante de pathologistes, ce qui entraîne une forte pression liée à la relecture des cas. Calculé sur la base de 100 lames par pathologiste et par jour, ce volume est loin de couvrir la demande clinique. De plus, la répartition des ressources médicales entre les régions est déséquilibrée, avec des différences notables dans la compréhension du contrôle qualité en cytologie. En raison de facteurs tels que la fatigue, le niveau de compétence et l’interprétation subjective, la sensibilité de détection n’est que d’environ 65 %, ce qui expose à un risque à la fois de diagnostics manqués et de diagnostics erronés, compromettant la qualité des diagnostics cytologiques.

Améliorer la sensibilité, la spécificité et l’efficacité du dépistage constitue donc un enjeu urgent. Avec l’avènement de l’ère de l’informatique et de la collecte de données, la technologie de l’intelligence artificielle (IA) s’est progressivement étendue et intégrée à divers domaines médicaux. En particulier dans le champ de la cytologie, l’interprétation de lames assistée par IA combine la pensée humaine et les capacités de l’intelligence artificielle, créant une excellente méthode de dépistage cytologique. Cela réduit considérablement le temps de dépistage pour les pathologistes et permet de sélectionner des cellules anormales individuelles, améliorant ainsi l’efficacité du traitement de l’information dans le dépistage cytologique. Cette étude compare la détection des lésions précancéreuses cervicales par les systèmes d’interprétation de lames assistés par IA et par l’interprétation microscopique classique, en examinant leur sensibilité et leur spécificité afin de valider leur valeur d’application en cytologie cervicale.

1. Collecte des données cliniques : Au total, 5 400 lames de test cytologique ThinPrep (TCT) diagnostiquées et relues manuellement, de qualité satisfaisante, archivées par le laboratoire médical Huikang de janvier 2022 à août 2022, ont été sélectionnées comme groupe témoin de l’étude. Par ailleurs, 4 893 lames identifiées comme valides par l’IA ont constitué le groupe IA.

2. Critères de diagnostic cytologique : les critères de diagnostic descriptifs TBS 2014 [11] ont été utilisés, classant les cellules malpighiennes atypiques de signification indéterminée (ASC-US) et plus comme positives, et les autres catégories comme négatives. Les termes diagnostiques spécifiques incluaient : (1) Absence de lésion intraépithéliale ou de malignité (NILM) ; (2) ASC-US ; (3) Cellules malpighiennes atypiques, ne permettant pas d’exclure une lésion intraépithéliale malpighienne de haut grade (ASC-H) ; (4) Lésion intraépithéliale malpighienne de bas grade (LSIL) ; (5) Lésion intraépithéliale malpighienne de haut grade (HSIL) ; (6) Carcinome épidermoïde (SCC) ; (7) Cellules glandulaires atypiques — non autrement spécifiées (AGC-NOS) ; (8) Cellules glandulaires atypiques — en faveur d’une néoplasie (AGC-FN) ; (9) Adénocarcinome in situ (AIS) ; (10) Adénocarcinome. En raison de la rareté des lésions épithéliales glandulaires dans la pratique réelle, seuls 5 rapports cytologiques d’AGC ont été émis par le laboratoire de janvier à août 2022 ; les lésions épithéliales glandulaires n’ont donc pas été incluses dans cette étude.

3. Méthodes de recherche : la préparation automatisée des lames par sédimentation a été utilisée pour l’examen cytologique. L’interprétation manuelle des lames a été réalisée par deux médecins traitants et deux médecins-chefs adjoints. La numérisation des lames a été effectuée à l’aide du scanner KF-PRO-400 de KFBIO et du logiciel de diagnostic assisté par IA du cancer du col de l’utérus de KFBIO.

2. Résultats :

1. Évaluation de la qualité des lames par l’IA : au total, 5 400 lames ont été numérisées et identifiées, dont 4 893 ont été reconnues comme valides par l’IA. Elles comprenaient 4 094 cas NILM, 20 cas d’infection fongique, 5 cas d’infection à trichomonas, 280 cas d’ASC-US, 267 cas de LSIL, 67 cas d’ASC-H, 158 cas de HSIL et 2 cas de SCC. Au total, 507 lames ont été jugées impropres à l’analyse pour des raisons telles que des images floues dues à des problèmes de mise au point ou de scellement, une quantité insuffisante de cellules épithéliales lisibles (inférieure à la norme de 5 000 cellules définie par l’IA) et des lames endommagées.

2. Analyse de la sensibilité et de la spécificité de l’interprétation assistée par IA : dans cette étude, 4 119 lames négatives et 774 lames positives ont été identifiées. Les lames négatives comprenaient les NILM et les infections microbiennes, avec 5 cas d’infection à trichomonas (figure 1A) et 20 cas d’infection à Candida (figure 1B) parmi les 4 119 lames négatives. En prenant le groupe témoin comme référence, la sensibilité du groupe IA était de 81 % et la spécificité de 77 %. L’IA a atteint la sensibilité la plus élevée, soit 97 %, pour identifier les lésions LSIL et de grade supérieur, la sensibilité la plus faible étant observée pour l’ASC-US. Sur les lames négatives, l’IA interprétait souvent à tort des filaments muqueux ou des structures amorphes en forme de bâtonnets comme du Candida ou du trichomonas, bien que limitée par la rareté de données comparables sur les infections microbiennes.

3. Analyse des faux positifs et des faux négatifs dans le groupe IA : le taux de faux positifs dans le groupe IA était de 23 %, principalement dû à des cas d’ASC-US mal identifiés, avec 724 cas de modifications réactionnelles interprétées à tort comme des cellules pathologiques (figure 1C), contribuant à l’augmentation du taux de faux positifs. De plus, 92 cas ont été interprétés par l’IA comme des LSIL. Lors de la relecture manuelle, on a constaté que la plupart des cas correspondaient à l’interprétation erronée par l’IA de cellules glycogénées comme des cellules creuses (figure 1D). Dans 76 cas d’ASC-H et 44 cas de lésions HSIL, la majorité s’est avérée être des cellules basales en atrophie liée à l’âge (figure 1E) ou des amas cellulaires comprimés à coloration foncée (figure 1F).

A : Trichomonas ; B : Candida ; C : l’IA interprète des modifications réactionnelles des cellules épithéliales comme un ASC-US ; D : l’IA interprète des cellules glycogénées comme des lésions de bas grade (LSIL) ; E : l’IA interprète un épithélium malpighien atrophique comme des lésions de haut grade (HSIL) ; F : l’IA interprète des amas cellulaires denses comme des lésions de haut grade (HSIL).

2.4 Comparaison du temps de lecture des lames : selon les exigences de contrôle qualité, la lecture quotidienne par personne ne doit pas dépasser 100 lames. Le temps total théorique pour la lecture manuelle des lames a été calculé à 4 320 heures. Dans la pratique, quatre pathologistes ont relu collectivement 5 400 lames, en prenant environ 256 heures (32 jours) au total. Le système IA, comprenant la numérisation et l’analyse des lames, n’a nécessité que 162 heures (6,75 jours). L’IA a considérablement raccourci le temps de lecture des lames, et elle peut analyser les lames en continu 24 heures sur 24.

3. Discussion

Le cancer du col de l’utérus est actuellement la seule tumeur maligne dont la cause est relativement clairement établie, et la seule pouvant être guérie et prévenue. Le dépistage du cancer du col de l’utérus est conduit depuis de nombreuses années et a donné naissance à diverses nouvelles technologies telles que l’analyse de la ploïdie de l’ADN, la double coloration P16/Ki-67 et la détection de la méthylation. Cependant, en raison des coûts économiques et des problèmes d’universalité, le dépistage cytologique reste, au stade actuel, la méthode la plus économiquement efficace.

Cette étude a analysé 5 400 frottis cytologiques, en comparant le temps de lecture des lames, la sensibilité et la spécificité entre le groupe IA et le groupe témoin. Les résultats ont montré que la spécificité du groupe IA atteignait 77 %, et que la sensibilité pour les lésions LSIL et plus pouvait atteindre 97 %. Cela indique que, dans une certaine mesure, l’assistance par IA peut être utilisée pour le dépistage à grande échelle du cancer du col de l’utérus, et qu’un contrôle qualité cytologique efficace (suivant les exigences de la CNAS-15189, en relisant toutes les lames positives et 10 % des lames négatives) peut garantir la qualité diagnostique. Cependant, par rapport à la lecture traditionnelle, l’IA présente encore certaines limites. Premièrement, l’IA a des exigences plus élevées en matière de qualité des lames ; dans cette étude, 507 lames n’ont pas pu être interprétées en raison de problèmes de qualité, ce qui souligne le taux de reconnaissance élevé de l’IA pour des lames de très haute qualité et conformes à des standards élevés. Deuxièmement, l’IA a une précision plus faible dans l’interprétation des lésions ASC-US. L’analyse indique que l’IA interprète à tort certaines cellules inflammatoires réactionnelles ou des impuretés comme des cellules pathologiques, ce qui entraîne une augmentation du taux de faux positifs. Ces lésions présentent également une forte subjectivité et une faible reproductibilité lors de l’interprétation manuelle. Dans la pratique, l’IA joue souvent le rôle d’une « poubelle ». Troisièmement, l’IA montre des erreurs de jugement importantes sur les lésions atrophiques liées à l’âge et les amas cellulaires denses. Les raisons peuvent en être la coloration intense des noyaux des cellules atrophiques, un déséquilibre du rapport noyau-cytoplasme et un chevauchement morphologique avec des cellules à forte pathologie. Cependant, dans le dépistage du cancer du col de l’utérus soutenu par les pouvoirs publics, qui se déroule souvent dans des zones économiquement défavorisées avec une proportion plus élevée de personnes âgées, l’IA nécessite un perfectionnement algorithmique supplémentaire et un meilleur appariement des données pour améliorer la précision d’interprétation. À mesure que la technologie de l’IA continue d’évoluer, les systèmes de dépistage cytologique avec assistance intelligente à l’interprétation des lames deviennent de plus en plus populaires. L’application réussie du dépistage automatisé à l’interprétation de lames assistée intelligemment apportera de nouvelles idées et méthodes au développement et à l’application de logiciels pathologiques intelligents. De plus, cette technologie est déjà largement utilisée dans les pays développés. Des scientifiques japonais, tels que Tanaka et al. [7], ont comparé l’interprétation manuelle des lames au dépistage par imagerie informatisée pour plus de quatre mille frottis cytologiques cervicaux, et les résultats ont montré que la capacité de dépistage cytologique de ce système était comparable à celle du dépistage manuel, avec un temps de dépistage nettement plus court. Par conséquent, certains laboratoires médicaux des pays développés ont acquis ce système et l’ont intégré au dépistage cytologique cervical de routine. La Food and Drug Administration (FDA) des États-Unis a approuvé plusieurs systèmes commercialisés de dépistage du cancer du col de l’utérus, tels que le FocalPoint GS Imaging System de Becton Dickinson [8], rendant l’IA largement utilisée dans le domaine du dépistage cytologique. Cependant, dans les pays en développement comme la Chine, où la population est nombreuse et où les coûts de maintenance et d’utilisation de ces systèmes auxiliaires sont élevés, une application généralisée reste difficile. Il est donc à espérer que, prochainement, des systèmes de dépistage par IA présentant un meilleur rapport coût-efficacité puissent être largement déployés au niveau local.

En résumé, tout en simulant en continu l’expérience humaine grâce à l’apprentissage profond, l’IA peut progressivement améliorer les modèles algorithmiques informatiques. Cette amélioration conduit à une efficacité diagnostique cellulaire renforcée. En tant que méthode de dépistage par big data informatisé, l’IA raccourcit considérablement le temps de lecture des lames pour les pathologistes, réduit leur charge de travail et améliore ainsi leur efficacité dans le dépistage cytologique. Dans la pratique, faire pleinement appel à la technologie de l’IA tout en conservant les pathologistes comme chefs d’orchestre, et effectuer un contrôle qualité cytologique efficace, en particulier pour les travaux de dépistage à grande échelle et les centres de diagnostic pathologique tiers, peut sensiblement améliorer l’efficacité du travail.