Modèles d'apprentissage profond pour la classification histopathologique des tumeurs épithéliales gastriques et coliques

La classification histopathologique des tumeurs épithéliales gastriques et coliques est l'une des tâches de diagnostic pathologique de routine pour les pathologistes. Les techniques de pathologie computationnelle basées sur l'intelligence artificielle (IA) seraient d'un grand avantage pour alléger les charges de travail en constante augmentation des pathologistes, en particulier dans les régions où l'accès aux services de diagnostic pathologique est limité. Dans cette étude, nous avons formé des réseaux de neurones convolutionnels (CNN) et des réseaux de neurones récurrents (RNN) sur des images de coupe entière (WSI) de biopsies histopathologiques de l'estomac et du côlon. Les modèles ont été entraînés pour classer les WSI en adénocarcinome, adénome et non néoplasique. Nous avons évalué nos modèles sur trois ensembles de tests indépendants chacun, atteignant une aire sous la courbe (AUC) allant jusqu'à 0,97 et 0,99 pour l'adénocarcinome gastrique et l'adénome, respectivement, et 0,96 et 0,99 pour l'adénocarcinome colique et l'adénome respectivement. Les résultats démontrent la capacité de généralisation de nos modèles et le potentiel très prometteur de déploiement dans un système de flux de travail de diagnostic histopathologique pratique.