Mémoires Année : 2022

Deep learning for reliable classification of squamous lesions of the upper aerodigestive tract

Apport des outils d’intelligence artificielle pour le diagnostic des lésions intra-épithéliales et invasives des voies aérodigestives supérieures

Résumé

Introduction: diagnosis of pre-neoplasic lesions of the head and neck is a real challenge for pathologists, with a poor inter- and intra-reliability. In recent years, many works achieved to create AI algorithms which assist the pathologists in their practice. The aim of this project is the development of an algorithm for the automatic diagnosis of squamous dysplasia and carcinomas following the 2017 WHO Classification. This work was realized as a pair of a pathology resident (Université Paris Cité) and a data scientist (Thèse Cifre – Ecole des Mines de Paris), with a collaboration between AP-HP and Keen Eye Technologies.
Materials and Methods: the algorithm was trained on 2360 virtual slides from the pathology department of Hopital Europeen Georges Pompidou, coming from more than 600 patients diagnosed between 2000 and 2013. 127 slides of « mild to moderate » dysplasias were reviewed by an expert in order to follow the WHO 2017 classification. The sharing of our expertise allowed us to create a new model that we named Spatial Attention. Its predictions take into account the local context of the lesion and its presence at the surface or at the depth of the sample. Its performance was assessed with the weighted accuracy used during the 2020 data challenge organised by the French Pathology Society, compared to the gold standards described in the literature. Its reliability was calculated and compared with the inter-rater agreement between pathologists published in the literature.
Results: our model has a weighted accuracy of 0.879 and a kappa index of 0.757, which are higher than the best performances reported in the literature. Its performances can be perfected, particularly for low grade dysplasia which is a difficult diagnosis and less represented in our dataset.
Conclusion: the collaboration between pathologist and data scientist resulted in the development of a new model, which fits the particularities of the head and neck squamous lesions.
Introduction : les lésions dysplasiques malpighiennes, précurseurs des carcinomes épidermoïdes des voies aéro-digestives supérieures (VADS), sont de diagnostic particulièrement difficile avec une reproductibilité inter et intra-observateur peu satisfaisante. Depuis quelques années, des algorithmes d’intelligence artificielle (IA) de plus en plus nombreux et performants sont développés pour assister le pathologiste dans ses diagnostics. L’objectif de ce projet est le développement d’un algorithme d’IA pour le diagnostic automatisé des lésions dysplasiques et infiltrantes des VADS, selon la classification OMS 2017. Ce travail a été réalisé en partenariat avec une ingénieure en data science en thèse Cifre (Ecole des Mines de Paris), dans le cadre d’une collaboration entre l’AP-HP et la société Keen Eye Technologies.
Matériel et Méthodes : l’algorithme a été développé sur 2360 lames scannées issues du service d’anatomie pathologique de l’Hôpital Européen Georges Pompidou, concernant au total plus de 600 patients pris en charge pour des lésions dysplasiques ou de carcinomes épidermoïdes infiltrant diagnostiqués entre 2000 et 2013, avec la relecture de 127 lames de dysplasies dont la classification ne correspondait pas aux catégories de 2017 (dysplasie légère à modérée). Les nombreux échanges et partages de connaissance entre interne en pathologie et data scientist ont permis de proposer un modèle d’architecture originale, nommé Spatial Attention. Ses prédictions prennent en compte le contexte spatial des lésions et l’analyse combine une lecture différenciée de la surface du prélèvement et de sa profondeur. Ses performances ont été comparées à celles des modèles de référence dans la littérature, suivant la métrique d’exactitude pondérée proposée par la Société Française de Pathologie lors du data challenge de 2020. Sa reproductibilité a été comparée aux données publiées dans les études de reproductibilité inter-pathologistes.
Résultats : notre modèle de Spatial Attention est plus performant que les modèles de référence, avec une exactitude pondérée de 0,879. Sa reproductibilité est bonne, de 0,757 et supérieure à celles observées dans la littérature. Il reste perfectible, notamment pour la classification des dysplasies de bas grade qui sont moins représentées dans le jeu de données et plus subtiles.
Conclusion : la collaboration entre pathologiste et data scientist a permis de proposer un algorithme original et performant, adapté à la problématique des lésions malpighiennes des VADS.
Fichier principal
Vignette du fichier
Medecine_ThEx_BELLAHSEN_HARRAR_Yaelle_DUMAS.pdf (31.08 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

dumas-04152015 , version 1 (24-10-2023)

Licence

Identifiants

  • HAL Id : dumas-04152015 , version 1

Citer

Yaëlle Bellahsen-Harrar. Apport des outils d’intelligence artificielle pour le diagnostic des lésions intra-épithéliales et invasives des voies aérodigestives supérieures. Médecine humaine et pathologie. 2022. ⟨dumas-04152015⟩
24 Consultations
9 Téléchargements

Partager

More