IA clinique pionnière : comment un scanner KFBIO a entraîné un système quasi parfait de détection du cancer gastrique

Face à la pénurie mondiale de pathologistes et à la variabilité diagnostique du cancer gastrique, la pathologie numérique et l’IA s’imposent comme des solutions transformatrices. Une étude marquante publiée dans Nature Communications démontre qu’un système d’IA, entraîné sur des images numérisées par le scanner KFBIO KF-PRO-005, atteint une sensibilité de 99,6 % et une spécificité de 80,6 % dans la détection du cancer gastrique. De plus, le KF-PRO-005 fournit des images de lames entières cohérentes et de haute qualité. Il constitue ainsi un socle fiable pour des outils d’IA diagnostiques applicables en clinique.

Introduction : le défi diagnostique et la solution numérique
L’un des outils innovants qui transforment ce domaine est le scanner de pathologie numérique.

Le cancer gastrique reste un fardeau majeur pour la santé mondiale, et un diagnostic précoce et précis est essentiel à la survie des patients. Cette mission est toutefois mise à mal par une pénurie mondiale de pathologistes. Il en résulte des charges de travail importantes et une variabilité diagnostique potentielle. La numérisation de la pathologie grâce à l’imagerie de lames entières (WSI) s’est imposée comme une solution transformatrice. De plus, elle modernise le flux de travail et libère le potentiel de l’intelligence artificielle (IA).

Une étude marquante publiée dans Nature Communications illustre la puissante synergie entre une numérisation fiable et une IA de pointe. Menée à l’Hôpital général de l’Armée populaire de libération de Chine (PLAGH), la recherche a permis de développer un système d’IA cliniquement applicable pour la détection du cancer gastrique. Ce système a atteint une précision remarquable. Au cœur de cette recherche pionnière se trouvait le scanner de lames numériques KFBIO KF-PRO-005. Il a été choisi pour numériser des images d’entraînement de haute qualité qui ont appris à l’IA à « voir » comme un pathologiste expert.

Bâtir les fondations de l’IA : numérisation de précision et annotation experte

Le développement d’un modèle d’IA robuste nécessite un jeu de données massif, de haute qualité et minutieusement annoté. Pour cette étude, les pathologistes ont sélectionné 2 123 images de lames entières colorées à l’H&E issues de 1 500 patients. Ces lames couvraient une grande diversité de types tissulaires et de sous-types tumoraux. De plus, elles ont été numérisées en haute résolution (grossissement 40x, 0,238 μm/pixel) à l’aide du scanner KF-PRO-005.

Une équipe dédiée de 12 pathologistes seniors a utilisé un système personnalisé sur iPad pour réaliser des annotations au niveau du pixel, en délimitant minutieusement les zones malignes, bénignes ou autres. Ces données de « vérité terrain », tirées d’images numérisées avec une grande netteté, ont constitué le manuel essentiel du modèle d’apprentissage profond.

Excellence technique : un modèle d’apprentissage profond pour un usage en conditions réelles

L’équipe de recherche a employé un réseau de neurones convolutif profond sophistiqué (DeepLab v3) conçu pour la segmentation sémantique. Cette approche permet à l’IA de ne pas se limiter à classer une lame comme positive ou négative. Elle lui permet également de générer une « carte thermique » détaillée, au niveau du pixel. Cette carte met en évidence les régions suspectes directement sur la lame numérique.

Un point clé était d’assurer la robustesse du modèle pour un usage clinique réel. L’entraînement a intégré des techniques avancées telles que la perturbation chromatique (color jittering) et la simulation de flou afin de garantir que l’IA reste performante malgré les variations de coloration tissulaire et de qualité d’image — preuve qu’il faut partir d’une qualité de numérisation constante, telle que celle offerte par des scanners comme le KF-PRO-005.

Une performance révolutionnaire : la validation de l’assistant d’IA

Les performances du système d’IA ont été rigoureusement validées sur un large ensemble de test en conditions réelles, composé de 3 212 WSI gastriques de routine. Les résultats ont été exceptionnels :

• Sensibilité : 99,6 % — Le système a correctement identifié presque tous les cas malins, réduisant ainsi le risque de diagnostics manqués.

• Spécificité : 80,6 % — Il a maintenu un taux élevé d’identification correcte des tissus bénins, garantissant l’efficacité.

• Performance robuste sur plusieurs scanners : Bien qu’entraîné sur des numérisations KFBIO, le modèle s’est comporté de manière stable sur des lames numérisées par deux autres grandes marques de scanners, prouvant sa capacité de généralisation. À noter, la performance était la plus élevée sur les WSI issues du KF-PRO-005, sa plateforme d’entraînement native.

Avantage de performance et robustesse
Un test crucial pour tout système d’IA clinique est sa capacité à fonctionner de manière fiable sur différents matériels. Dans cette étude, les lames de test ont été numérisées avec trois modèles de scanners. Il s’agissait du KFBIO KF-PRO-005 (403 WSI), du Ventana DP200 (977 WSI) et du Hamamatsu NanoZoomer S360 (1 832 WSI).

Le modèle a démontré une excellente stabilité globale, avec une AUC (Area Under the Curve) moyenne de 0,986 sur tous les scanners et toutes les périodes. À noter, la meilleure performance a été observée de manière constante sur les WSI produites par le scanner KF-PRO-005, le modèle utilisé pour l’entraînement. Par rapport à la référence KF-PRO-005, de légères variations de performance ont été observées sur les lames issues d’autres scanners. Des variations de spécificité, par exemple, ont été constatées. Cela souligne l’intérêt d’utiliser une source de numérisation cohérente et de haute qualité comme le KF-PRO-005, à la fois pour le développement et pour le déploiement. En conséquence, des performances d’IA optimales sont obtenues. Ce résultat valide puissamment à la fois la qualité d’image supérieure du KF-PRO-005 et la robuste capacité de généralisation du modèle d’IA entraîné sur ses données.

Impact clinique : augmenter l’expertise des pathologistes

L’étude est allée au-delà des seules métriques pour démontrer une utilité clinique tangible :

1. Détecter les cas manqués : L’IA a réussi à signaler deux tumeurs malignes subtiles passées inaperçues lors des diagnostics humains initiaux, démontrant son potentiel en tant que filet de sécurité critique.

2. Aider aux diagnostics difficiles : Pour les cas complexes nécessitant des colorations immunohistochimiques (IHC) supplémentaires, les scores de probabilité de l’IA ont fourni des indications objectives précieuses, aidant les pathologistes à trier et à évaluer les cas.

3. Améliorer la précision diagnostique : Lors d’une évaluation chronométrée avec 12 pathologistes juniors, ceux qui utilisaient le système d’assistance par IA ont obtenu une précision diagnostique supérieure à celle des groupes utilisant uniquement le microscope ou de simples lames numériques.

Conclusion : un pas vers l’avenir de la pathologie

L’étude publiée dans Nature Communications apporte des preuves convaincantes que l’assistance diagnostique par IA n’est pas un simple concept théorique, mais bien un outil cliniquement viable. Elle souligne le rôle critique d’une numérisation de haute fidélité comme première étape de ce parcours. Le scanner KFBIO KF-PRO-005 s’est révélé être un partenaire indispensable de cette recherche, en fournissant les images cohérentes et de haute résolution nécessaires à la construction d’une IA fiable et puissante.

Ces travaux ouvrent la voie à un avenir où pathologistes et systèmes d’IA collaboreront — alliant l’expertise humaine à la précision de la machine pour offrir aux patients du monde entier des diagnostics plus rapides, plus précis et plus cohérents.

Fondement scientifique : Les données d’application et de performance décrites ici sont issues d’une étude clinique de référence publiée dans Nature Communications. La recherche, menée à l’Hôpital général de l’APL chinoise (PLAGH), a permis de développer un système d’apprentissage profond pour la détection du cancer gastrique à partir d’images de lames entières numérisées par les scanners KFBIO. Le modèle a démontré une sensibilité de 99,6 % et une spécificité de 80,6 % sur un large ensemble de test en conditions réelles. Pour l’intégralité des détails méthodologiques et des résultats, se reporter à l’article original : Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning. Nat Commun11, 4294 (2020).

Le KF-PRO-005 : le socle de confiance de la pathologie numérique

Au cœur de nombreux flux de travail et projets de recherche révolutionnaires en pathologie — comme l’étude marquante en IA présentée ci-dessus — se trouve le KFBIO KF-PRO-005. Modèle phare de notre gamme, il a gagné la confiance des laboratoires du monde entier depuis plus d’une décennie. À ce jour, plus de 1 500 unités ont été vendues dans le monde.

Reconnu pour sa stabilité et sa fiabilité exceptionnelles, le KF-PRO-005 est conçu pour un fonctionnement continu et à haut volume. Il garantit ainsi une qualité de numérisation constante jour après jour. Sa polyvalence est un atout clé : il offre une prise en charge complète de différentes tailles et types de lames. Il répond ainsi aux besoins variés de tout service de pathologie.

En choisissant le KF-PRO-005, les laboratoires ne font pas qu’acquérir un scanner. Ils investissent dans une plateforme éprouvée et robuste, qui numérise leur présent et libère le potentiel des innovations futures en IA et en pathologie computationnelle.

Q : Quel rôle le KFBIO KF-PRO-005 a-t-il joué dans l’étude sur la détection du cancer gastrique par IA ?
R : Le scanner a été utilisé pour numériser des images de lames entières en haute résolution (40×, 0,238 μm/pixel), fournissant les données d’entraînement de haute qualité indispensables au développement d’un modèle d’apprentissage profond doté d’une précision diagnostique exceptionnelle.

Q : Comment l’IA s’est-elle comportée avec différentes marques de scanners ?
R : Le modèle a démontré une performance robuste avec les scanners KFBIO KF-PRO-005, Ventana DP200 et Hamamatsu NanoZoomer S360 (AUC moyenne de 0,986), la cohérence et la précision les plus élevées étant observées sur les lames numérisées par le KF-PRO-005.

Q : Quelle est la portée clinique de cette recherche ?
R : Le système d’IA agit comme un outil d’assistance, réduisant les diagnostics manqués (il a identifié des tumeurs malignes initialement passées inaperçues), apportant un guidage objectif pour les cas difficiles et améliorant la précision diagnostique des pathologistes juniors.

Référence :
Cet article met en lumière les principaux résultats de l’étude évaluée par les pairs suivante :
Song, Z., Zou, S., Zhou, W. et al. Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning. Nat Commun 11, 4294 (2020). https://doi.org/10.1038/s41467-020-18147-8