Le diagnostic de mélanome malin est établi à partir d’un certain nombre de traits histologiques dont l’interprétation n’est pas complétement objective. Ainsi les divergences entre les anatomopathologistes dans le classement de mêmes lésions sont parfois considérables, ce qui conduit à penser que des outils diagnostiques supplémentaires doivent être appelés à la rescousse. Il a été reconnu que l’intelligence artificielle pouvait aider à la reconnaissance et la classification des images dermatoscopiques de lésions cutanées (voire se montrait plus performante que le dermatologiste !). Pourquoi alors ne pas appliquer cette technologie au diagnostic histologique ?
Une équipe a voulu préciser l’intérêt potentiel de cette démarche.
Trois réseaux de neurones convolutifs (RNC) ont été entraînés à reconnaître des tumeurs mélanocytaires avec des images de lames colorées par l’hématoxyline éosine de 50 mélanomes et 50 naevus « étiquetés » par deux dermatopathologistes expérimentés. Les mêmes cent lames ont été soumises en ligne à 18 experts en anatomopathologie ayant au moins 5 ans d’expérience.
Pas d’unanimité pour les dermatopathologistes
Parmi les dermatopathologistes, il n’y avait de totale unanimité que pour moins de la moitié des diagnostics (47 %). Globalement, le taux de « vrai » discordance était de 13,4 % et un tiers des experts accusaient des divergences dans la classification de neuf lésions. Deux naevus ont fait particulièrement l’objet de controverses l’un initialement classé comme un naevus acral très dysplasique, l’autre comme un naevus acral de Spitz desmoplastique. Or ces deux lésions étaient « qualifiées » de mélanomes par les réseaux de neurones de l’intelligence artificielle.
Les diagnostics établis par les RNC sur les lames où la région d’intérêt était ou non signalée différaient en effet de ceux des 18 pathologistes dans 8 et 12 cas respectivement, qui étaient cependant sans ambiguïté.
Pour les auteurs, cette expérience tend à montrer qu’utiliser des RNC et un apprentissage automatique à partir de quelques images est réaliste et peut contribuer au diagnostic avec un haut degré d’exactitude.
Dr Marie-Line Barbet
