Comment l’imagerie hyperspectrale peut-elle permettre aux coupes pathologiques de dire adieu à la coloration ? Cette recherche fournit un nouveau trai

Dans le diagnostic pathologique traditionnel, un échantillon de tissu cancéreux du sein doit subir plus de dix processus tels que la fixation, l'intégration, la section et la coloration. De la livraison de l’échantillon à l’émission du rapport, cela prend souvent plusieurs heures, voire plus. Au stade des coupes congelées peropératoires, les patients doivent souvent être en attente d'anesthésie, et le raccourcissement de ce temps est crucial pour la sécurité chirurgicale.

Une étude récemment publiée dans « Scientific Reports » tente d'utiliser une voie technique « sans étiquette et sans taches » combinée à des algorithmes d'apprentissage profond pour fournir une nouvelle solution à ce problème clinique.

Quand les images pathologiques « perdent » leur couleur

Les images pathologiques que nous connaissons sont généralement présentées dans des tons bleu-violet après coloration H&E, avec des limites claires entre le noyau cellulaire et le cytoplasme. La technologie d'imagerie microscopique hyperspectrale (MHSI) peut obtenir 128 bandes d'informations spectrales depuis la lumière visible jusqu'au proche infrarouge (397-1 032 nm) en balayant des coupes de tissus sans aucune coloration.

Le défi direct posé par cet état « sans taches » est le suivant : les images manquent de contraste morphologique, ce qui rend difficile leur interprétation directe par l’œil humain. Cependant, l’avantage des données hyperspectrales réside dans le fait qu’elles enregistrent des courbes spectrales continues pour chaque point de pixel, et que différents composants biochimiques (tels que les protéines, les lipides, les acides nucléiques) présenteront des caractéristiques de réflexion différenciées à des longueurs d’onde spécifiques. Comment extraire des informations ayant une valeur diagnostique à partir de données de grande dimension et faiblement morphologiques est devenu un nouveau sujet en pathologie computationnelle.

Transformer le « diagnostic de section » en « apprentissage multi-instance »

L'équipe de recherche a construit un ensemble de données hyperspectrales contenant 468 coupes de tissus provenant de 60 patientes atteintes d'un cancer du sein. Différentes des méthodes traditionnelles qui effectuent une prédiction en un seul point sur des champs de vision locaux, les chercheurs ont modélisé le diagnostic pathologique comme un problème d'apprentissage multi-instances (MIL) : traiter une section de tissu entière comme un « sac » et les cubes spectraux collectés dans 20 régions différentes de la section comme des « instances » dans le sac. Le modèle doit synthétiser les informations de toutes les instances pour générer le résultat du diagnostic pour l'ensemble de la section.

Cette approche est plus proche de la logique réelle de lecture d'images des pathologistes : ils parcourent d'abord le monde sous un microscope de faible puissance, puis se concentrent sur les zones suspectes pour un jugement complet.

Mécanisme « d'attention » à plusieurs niveaux

Visant les caractéristiques des données hyperspectrales, l’équipe a proposé un réseau d’attention hiérarchique multi-échelle (MS-HAN), dont la conception principale comprend trois niveaux clés :

1. L'extraction de caractéristiques à plusieurs échelles tire les leçons de la structure Inception, en utilisant différentes tailles de noyaux de convolution en parallèle à la même résolution spatiale pour extraire des caractéristiques, de manière à capturer des informations multi-granularités allant des différences spectrales subtiles aux modèles de texture locaux.

2. Le mécanisme de double attention modélise d'abord explicitement les dépendances entre les bandes via l'attention des canaux spectraux, en attribuant des poids plus élevés aux bandes contenant des informations plus riches ; génère ensuite une carte thermique bidimensionnelle grâce à une attention spatiale pour localiser les régions ayant une valeur diagnostique en termes de morphologie cellulaire sans s'appuyer sur un marquage au niveau des pixels.

3.Agrégation hiérarchique et apprentissage de prototypes. Pour faire face à la forte variabilité intra-classe des spectres biologiques, le modèle introduit un ensemble de « vecteurs prototypes » apprenables, attribuant en douceur des caractéristiques d'instance à ces prototypes, et empêche l'effondrement des modes en limitant l'entropie de la distribution d'utilisation du prototype. Enfin, un mécanisme d'auto-attention est utilisé pour modéliser les dépendances entre les différentes régions de la section, obtenant ainsi la représentation de la section entière grâce à la mise en commun de l'attention.

Dans le cadre d'un entraînement faiblement supervisé utilisant uniquement des étiquettes au niveau des sections, le modèle a atteint une précision de 86,7 % et une AUC de 0,92 sur un ensemble de tests indépendants (94 sections), montrant une amélioration statistiquement significative par rapport aux modèles de base MIL traditionnels tels que TransMIL et CLAM.

Omission de l’étape de coloration et réduction du coût du temps

Le but de cette recherche n'est pas de remplacer les pathologistes, mais d'explorer un flux de travail de « coupe optique » plus « dépistage primaire par l'IA ». L'omission de l'étape de coloration signifie non seulement une réduction du coût des réactifs et des consommables, mais plus important encore, cela réduit considérablement la fenêtre de temps entre l'échantillonnage et le diagnostic numérique. Pour les scénarios urgents tels que la congélation peropératoire, ce mode « coupe-scan-analyse » devrait réduire le temps d'attente pour les patients sous anesthésie.

Bien entendu, cette recherche est encore au stade de la validation de principe. L'échelle de l'ensemble de données monocentrique de 60 cas est relativement limitée et les performances du modèle face aux artefacts de préparation, à une faible densité cellulaire ou à des sous-types moléculaires rares nécessitent encore une validation externe avec des données multicentriques et sur de grands échantillons. De plus, le coût matériel des équipements d’imagerie hyperspectrale est élevé, et le passage du laboratoire aux services de pathologie de routine nécessite encore des considérations aux niveaux de l’ingénierie et de l’économie de la santé.