Cette IA repère les cellules sanguines dangereuses que les médecins oublient souvent

Le système, connu sous le nom de CytoDiffusion, s’appuie sur l’IA générative, le même type de technologie utilisé dans les générateurs d’images tels que DALL-E, pour analyser en détail l’apparence des cellules sanguines. Plutôt que de se concentrer uniquement sur des modèles évidents, il étudie les variations subtiles de l’apparence des cellules au microscope.

Aller au-delà de la reconnaissance de formes

De nombreux outils d’IA médicale existants sont formés pour trier les images dans des catégories prédéfinies. En revanche, l’équipe derrière CytoDiffusion a démontré que son approche peut reconnaître toute la gamme des apparences normales des cellules sanguines et signaler de manière fiable les cellules rares ou inhabituelles pouvant signaler une maladie. Les travaux ont été menés par des chercheurs de l’Université de Cambridge, de l’University College de Londres et de l’Université Queen Mary de Londres, et les résultats ont été publiés dans Nature Machine Intelligence.

L’identification de petites différences dans la taille, la forme et la structure des cellules sanguines est essentielle au diagnostic de nombreux troubles sanguins. Cependant, apprendre à bien faire cela peut prendre des années d’expérience, et même des médecins hautement qualifiés peuvent être en désaccord lorsqu’ils examinent des cas complexes.

“Nous avons tous de nombreux types différents de cellules sanguines qui ont des propriétés différentes et des rôles différents dans notre corps”, a déclaré Simon Deltadahl du département de mathématiques appliquées et de physique théorique de Cambridge, premier auteur de l’étude. “Les globules blancs se spécialisent dans la lutte contre les infections, par exemple. Mais savoir à quoi ressemble un globule sanguin inhabituel ou malade au microscope est un élément important du diagnostic de nombreuses maladies.”

Gestion de l’échelle de l’analyse sanguine

Un frottis sanguin standard peut contenir des milliers de cellules individuelles, bien plus qu’une personne ne peut raisonnablement examiner une par une. “Les humains ne peuvent pas examiner toutes les cellules d’un frottis – ce n’est tout simplement pas possible”, a déclaré Deltadahl. “Notre modèle peut automatiser ce processus, trier les cas de routine et mettre en évidence tout ce qui est inhabituel pour un examen humain.”

Ce défi est familier aux cliniciens. “Le défi clinique auquel j’ai été confronté en tant que jeune médecin en hématologie était qu’après une journée de travail, je devais faire face à de nombreux frottis sanguins à analyser”, a déclaré le co-auteur principal, le Dr Suthesh Sivapalaratnam de l’Université Queen Mary de Londres. “En les analysant tard dans la nuit, j’ai acquis la conviction que l’IA ferait un meilleur travail que moi.”

Formation sur un ensemble de données sans précédent

Pour créer CytoDiffusion, les chercheurs l’ont formé sur plus d’un demi-million d’images de frottis sanguins collectées à l’hôpital Addenbrooke de Cambridge. L’ensemble de données, décrit comme le plus vaste du genre, comprend des types de cellules sanguines courants, des exemples rares et des fonctionnalités qui confondent souvent les systèmes automatisés.

Au lieu d’apprendre simplement à séparer les cellules en catégories fixes, l’IA modélise l’ensemble de la façon dont les cellules sanguines peuvent apparaître. Cela le rend plus résistant aux différences entre les hôpitaux, les microscopes et les techniques de coloration, tout en améliorant sa capacité à détecter les cellules rares ou anormales.

Détecter la leucémie avec une plus grande confiance

Lors des tests, CytoDiffusion a identifié les cellules anormales associées à la leucémie avec une sensibilité beaucoup plus élevée que les systèmes existants. Il a également fonctionné aussi bien, voire mieux, que les principaux modèles actuels, même lorsqu’il a été formé avec beaucoup moins d’exemples, et a pu quantifier son degré de confiance dans ses propres prédictions.

“Lorsque nous avons testé sa précision, le système était légèrement meilleur que celui des humains”, a déclaré Deltadahl. “Mais ce qui nous a vraiment marqué, c’est de savoir quand c’était incertain. Notre modèle ne dirait jamais que c’était certain et se tromperait ensuite, mais c’est quelque chose que les humains font parfois.”

Le professeur Michael Roberts, co-auteur principal du département de mathématiques appliquées et de physique théorique de Cambridge, a déclaré que le système avait été évalué par rapport aux défis du monde réel rencontrés par l’IA médicale. “Nous avons évalué notre méthode par rapport à de nombreux défis rencontrés dans l’IA du monde réel, tels que des images inédites, des images capturées par différentes machines et le degré d’incertitude des étiquettes”, a-t-il déclaré. “Ce cadre donne une vision à multiples facettes des performances du modèle qui, selon nous, sera bénéfique aux chercheurs.”

Quand les images d’IA trompent les experts humains

L’équipe a également découvert que CytoDiffusion peut générer des images synthétiques de cellules sanguines qui semblent impossibles à distinguer des cellules réelles. Lors d’un « test de Turing » impliquant dix hématologues expérimentés, les spécialistes n’ont réussi qu’à distinguer les images réelles de celles créées par l’IA.

“Cela m’a vraiment surpris”, a déclaré Deltadahl. “Ce sont des gens qui regardent les cellules sanguines toute la journée, et même eux ne pouvaient pas le dire.”

Ouvrir les données à la communauté mondiale de la recherche

Dans le cadre du projet, les chercheurs publient ce qu’ils décrivent comme la plus grande collection publique d’images de frottis de sang périphérique au monde, totalisant plus d’un demi-million d’échantillons.

“En rendant cette ressource ouverte, nous espérons permettre aux chercheurs du monde entier de créer et de tester de nouveaux modèles d’IA, de démocratiser l’accès à des données médicales de haute qualité et, à terme, de contribuer à de meilleurs soins aux patients”, a déclaré Deltadahl.

Soutenir, et non remplacer, les cliniciens

Malgré les résultats probants, les chercheurs soulignent que CytoDiffusion n’est pas destiné à remplacer les médecins qualifiés. Au lieu de cela, il est conçu pour aider les cliniciens en signalant rapidement les cas préoccupants et en traitant automatiquement les échantillons de routine.

“La véritable valeur de l’IA en matière de soins de santé ne réside pas dans le rapprochement de l’expertise humaine à moindre coût, mais dans le fait qu’elle permet un plus grand pouvoir de diagnostic, de pronostic et de prescription que ce que les experts ou les simples modèles statistiques peuvent obtenir”, a déclaré le professeur Parashkev Nachev, co-auteur principal de l’UCL. “Notre travail suggère que l’IA générative sera au cœur de cette mission, transformant non seulement la fidélité des systèmes de soutien clinique, mais aussi leur compréhension des limites de leurs propres connaissances. Cette conscience “métacognitive” – ​​savoir ce que l’on ne sait pas – est essentielle à la prise de décision clinique, et nous montrons ici que les machines peuvent être meilleures que nous dans ce domaine. “

L’équipe note que des recherches supplémentaires sont nécessaires pour augmenter la vitesse du système et valider ses performances auprès de populations de patients plus diverses afin de garantir l’exactitude et l’équité.

La recherche a reçu le soutien du Trinity Challenge, de Wellcome, de la British Heart Foundation, du Cambridge University Hospitals NHS Trust, du Barts Health NHS Trust, du NIHR Cambridge Biomedical Research Centre, du NIHR UCLH Biomedical Research Centre et du NHS Blood and Transplant. Le travail a été réalisé par le groupe de travail Imagerie au sein de BloodCounts! consortium, qui vise à améliorer les diagnostics sanguins dans le monde entier grâce à l’IA. Simon Deltadahl est membre du Lucy Cavendish College de Cambridge.