Faire progresser le diagnostic des néphropathies pédiatriques avec l’IA : une avancée collaborative entre KFBIO et le Zhejiang Children’s Hospital

Les néphropathies pédiatriques représentent un défi majeur de santé publique mondiale ; elles évoluent souvent de manière silencieuse et nécessitent une intervention diagnostique précise. L’analyse traditionnelle des biopsies rénales est chronophage, exigeante en main-d’œuvre et sujette à la variabilité humaine. Pour relever ces défis, KFBIO s’est associé au Children’s Hospital of Zhejiang University School of Medicine afin de développer un système innovant d’intelligence artificielle (IA) conçu pour aider les pathologistes à diagnostiquer les néphropathies pédiatriques avec une précision et une rapidité sans précédent.

Le défi : diagnostiquer les néphropathies pédiatriques

La maladie rénale chronique (MRC) touche des millions d’enfants dans le monde, avec des symptômes allant de l’hématurie et de la protéinurie au retard de croissance. Un diagnostic précis nécessite généralement une biopsie rénale et un examen détaillé par des néphropathologistes spécialisés — un processus à la fois fastidieux et susceptible d’incohérence. Avec une pénurie croissante de pathologistes à l’échelle mondiale et un nombre toujours plus important de cas pédiatriques de MRC, le besoin d’outils diagnostiques intelligents et automatisés est urgent.

Présentation d’APKD : le système de diagnostic rénal pédiatrique fondé sur l’IA

En réponse, KFBIO et le Zhejiang Children’s Hospital ont codéveloppé le système AI-based Pediatric Kidney Diagnosis (APKD) — un cadre d’apprentissage profond capable de segmenter, classer et quantifier les structures rénales à partir d’images de lames entières (WSI). Le système a été entraîné sur un jeu de données solide comprenant 2 935 patients pédiatriques et 93 932 structures histologiques annotées manuellement, ce qui en fait l’un des modèles d’IA les plus complets à ce jour pour le rein pédiatrique.

Comment fonctionne APKD : un cadre IA multi-modules

APKD intègre quatre modules d’IA spécialisés :

1. Segmentation des structures rénales – Identifie artères, tubules, glomérules et flocculus glomérulaires.

2. Segmentation des noyaux cellulaires – Détecte et compte les noyaux cellulaires dans les échantillons tissulaires.

3. Classification des croissants glomérulaires – Distingue les glomérules en croissant des glomérules non en croissant, élément clé pour le diagnostic des néphrites évolutives.

4. Segmentation des zones mésangiales/endothéliales – Localise les zones d’hypercellularité sur les images colorées au PAS.

Le système utilise un SCNet personnalisé doté d’un backbone ResNet50, qui a surpassé cinq autres modèles de pointe avec une précision moyenne (mAP) de 94 % sur l’ensemble des structures rénales — y compris une précision exceptionnelle de 99 % pour la détection des glomérules.

Points forts de performance

• 99 % de précision dans la détection des glomérules – Alignement quasi parfait avec les annotations des pathologistes.

• Forte corrélation avec la détection manuelle – Coefficient de corrélation de Spearman de 0,98 ; ICC de 0,98.

• 5,5 fois plus rapide que l’analyse manuelle – APKD traite les lames en 7 secondes en moyenne, contre 37 secondes pour les pathologistes.

• Extraction complète des caractéristiques – Quantifie 58 caractéristiques pathologiques, notamment la taille glomérulaire, la cellularité, la formation de croissants et les indicateurs tubulaires.

Validation clinique et enseignements pédiatriques

Le modèle a été validé sur une cohorte indépendante de 1 625 cas rétrospectifs, montrant des performances constantes et fiables pour diverses néphropathies pédiatriques, dont la néphropathie à IgA, la HSPN et la glomérulonéphrite mésangioproliférative. APKD a également permis de nouveaux enseignements quantitatifs, comme la corrélation entre la taille des glomérules et l’âge du patient — un résultat cohérent avec des études antérieures menées chez l’adulte mais désormais confirmé chez l’enfant.

Pourquoi cette collaboration est importante

La plupart des modèles d’IA en pathologie rénale ont été entraînés sur des données d’adultes, laissant un manque dans les outils diagnostiques spécifiquement pédiatriques. Cette collaboration marque une avancée majeure vers une pathologie IA centrée sur l’enfant, prenant en compte les variations développementales de la structure rénale et de la présentation des maladies.

Les scanners de lames haut débit KF-PRO-400 de KFBIO ont fourni les lames numériques haute résolution nécessaires à l’entraînement d’APKD, tandis que le Zhejiang Children’s Hospital a apporté une expertise clinique approfondie et l’une des plus grandes bases de biopsies rénales pédiatriques de Chine.

Perspectives et recherche en cours

Bien qu’APKD constitue une avancée majeure, l’équipe continue d’étendre les capacités du modèle. Les travaux futurs comprennent :

• La collecte de données multicentriques dans les hôpitaux chinois

• L’intégration de colorations supplémentaires (argentique, trichrome)

• La segmentation des podocytes et d’autres types cellulaires spécifiques

• L’intégration de données cliniques pour un soutien diagnostique global

Conclusion

La collaboration entre KFBIO et le Zhejiang Children’s Hospital a donné naissance à un outil d’IA puissant et validé qui améliore la précision, la cohérence et l’efficacité du diagnostic des néphropathies pédiatriques. En combinant une IA de pointe à une expertise clinique approfondie, APKD soutient les pathologistes et ouvre la voie à des soins néphrologiques pédiatriques plus personnalisés et plus proactifs.

Accéder au jeu de données publié et en savoir plus :
https://github.com/ChunyueFeng/Kidney-DataSet

Feng, C., Ong, K., Young, D. M., Chen, B., Li, L., Huo, X., Lu, H., Gu, W., Liu, F., Tang, H., Zhao, M., Yang, M., Zhu, K., Huang, L., Wang, Q., Marini, G. P. L., Gui, K., Han, H., Sanders, S. J., Li, L., Yu, W., & Mao, J. (2024). Artificial intelligence-assisted quantification and assessment of whole slide images for pediatric kidney disease diagnosis. Bioinformatics, btad740. https://doi.org/10.1093/bioinformatics/btad740