Reconnaissance des cellules de la moelle osseuse par apprentissage automatique
Réf. :HematoStat.net ; 1 (12) : R37
Matek C et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood. 18 nov 2021;138(20):1917‑27.
Résumé de l’article
Les auteurs ont eu recours à 171 374 images cytologiques de frottis de moelle osseuse numérisées qui concernaient 945 patients suivis entre 2011 et 2013. Les images étaient annotées par des cytologistes experts. Cette série était ensuite utilisée dans un réseau dit de « neurones à convolution » (technique d’apprentissage automatique permettant de différencier les images) afin d’améliorer l’algorithme. Une validation externe était réalisée sur 627 images de cellules provenant de 10 patients.
Dans nos pratiques
Encore largement perfectible, le modèle présenté ici illustre tout le potentiel des techniques d’apprentissage automatique pour la reconnaissance cellulaire en hématologie, y compris dans des situations complexes (frottis médullaire). De l’imagerie diagnostique à l’anatomopathologie, ces techniques ouvrent de nombreuses perspectives et constitueront une aide indéniable pour améliorer la qualité et la prise en charge des patients.
Le regard du statisticien
Ce qu’on appelle le ‘deep learning’aujourd’hui est de plus en plus utilisé dans la reconnaissance d’images, ici le procédé de ‘neural network’accompagné de cross-validationset validation externe qui servent à mesurer la performance de la technique pour la reconnaissance de types de cellules. Il existe d’autres outils comme la morphométrie géométrique qui pourrait être une autre piste dans l’analyse de formes.
French 
English 