Tissus mammaires normaux (TMN)-classificateurs : faire progresser la classification des compartiments en histologie mammaire normale

À la recherche d’indices précoces dans le tissu mammaire « normal »

Le dépistage du cancer du sein se concentre généralement sur les tumeurs ou les masses suspectes, mais des signaux d’alerte importants peuvent être présents bien avant la formation d’une tumeur. Cette étude pose une question simple aux implications majeures : l’intelligence artificielle (IA) peut-elle apprendre à reconnaître ce qu’est réellement un tissu mammaire sain, de sorte que des changements précoces et minimes ressortent plus clairement ? En apprenant aux ordinateurs à identifier les principaux éléments constitutifs du tissu mammaire normal, les chercheurs espèrent créer une carte de référence plus solide pour repérer les toutes premières étapes menant au cancer.

Pourquoi le tissu mammaire normal est important

Une grande partie de la recherche sur le cancer du sein porte sur le tissu malade, alors que le cancer commence dans un tissu qui paraît normal au microscope. Dans le sein, les structures productrices de lait et leur tissu de soutien environnant se situent au sein d’un mélange de zones fibreuses et de tissu adipeux. Des variations subtiles dans ces régions, en particulier autour des lobules (les petits sacs où le lait est produit) et du stroma adjacent (le tissu conjonctif de soutien), peuvent indiquer un risque accru de cancer. Cela est particulièrement pertinent pour les femmes porteuses de mutations héréditaires BRCA1 ou BRCA2 ou pour celles subissant une chirurgie de réduction du risque. Pour lire ces signaux discrets, les scientifiques ont besoin de moyens précis et quantitatifs pour décrire à quoi ressemble le « normal » chez un grand nombre de femmes et dans différents centres médicaux.

Constituer une bibliothèque diversifiée de lames saines

L’équipe a rassemblé 70 images numériques haute résolution de tissu mammaire normal provenant de cinq institutions au Royaume-Uni, aux Pays-Bas, en Suisse et d’une banque de tissus publique. Ces échantillons provenaient de femmes âgées de 16 à 74 ans et de contextes variés, comprenant des volontaires saines, des femmes ayant subi une réduction mammaire, celles porteuses de mutations génétiques à haut risque et des femmes atteintes d’un cancer dans le sein opposé. Des pathologistes experts ont soigneusement annoté trois composantes clés sur chaque lame : l’épithélium (les couches cellulaires tapissant les canaux et les lobules), le stroma (tissu fibreux et conjonctif) et les adipocytes (cellules graisseuses). Cette annotation laborieuse a produit un ensemble de référence riche et varié qui reflète les différences réelles dans la préparation des tissus, la coloration et la numérisation.

Apprendre à l’ordinateur à distinguer les types de tissus

À partir de cette bibliothèque annotée, les chercheurs ont entraîné des modèles d’apprentissage profond — appelés NBT-Classifiers — à reconnaître les trois types de tissus en examinant de petites zones d’image extraites des lames plus grandes. Ils ont testé différentes tailles de zones et paramètres techniques, tels que la normalisation des couleurs de la coloration et l’architecture de réseau neuronal à utiliser, et ont finalement trouvé une combinaison optimale. Lorsqu’ils ont été évalués sur des collections totalement indépendantes de lames normales provenant d’autres centres, les modèles ont distingué avec une précision quasi parfaite l’épithélium, le stroma et la graisse. Des « cartes thermiques » visuelles ont montré que l’IA se concentrait sur des structures biologiquement significatives telles que les régions riches en cellules, les fibres de collagène et les contours des cellules graisseuses, reflétant la manière dont les pathologistes humains interprètent le tissu.

Ce qui fait qu’un tissu normal paraît normal

Pour déterminer si l’entraînement uniquement sur du tissu sain offrait un avantage, les auteurs ont comparé leur modèle à un outil existant entraîné sur un mélange d’échantillons normaux, précancéreux et cancéreux. Les deux outils pouvaient identifier les grandes classes de tissus, mais les nouveaux NBT-Classifiers étaient meilleurs pour capturer l’architecture fine de l’épithélium mammaire véritablement normal. Lorsqu’on leur a présenté des zones contenant des lésions précoces et des tumeurs, le modèle entraîné uniquement sur du normal séparait plus fiablement les zones d’apparence saine des zones anormales. Cela suggère qu’il a appris une définition plus précise du tissu mammaire normal, ce qui peut aider à mettre en évidence des déviations subtiles accompagnant les débuts de la maladie.

Des lames entières aux régions ciblées

Parce que les modèles fonctionnent au niveau des zones, ils peuvent être appliqués à des lames numériques entières, colorant automatiquement chaque petite zone en épithélium, stroma ou graisse. Les chercheurs ont construit une chaîne complète qui détecte d’abord où le tissu est présent sur une lame, puis exécute les NBT-Classifiers pour créer des cartes détaillées des compartiments tissulaires. À partir de ces cartes, le système peut localiser les lobules individuels et leur environnement immédiat, générer des masques pour de nouvelles mesures et transmettre des régions sélectionnées à des outils d’analyse plus avancés. Cela facilite l’étude de microenvironnements spécifiques — comme le stroma juste à l’extérieur des lobules — où des changements liés au cancer précoce peuvent apparaître, et permet de combiner des caractéristiques structurelles avec d’autres types de données comme des cartographies spatiales de gènes ou de protéines dans des travaux futurs.

Ce que cela signifie pour la prévention future du cancer du sein

En termes simples, cette étude montre que l’IA peut être entraînée à reconnaître les éléments constitutifs du tissu mammaire sain avec une précision remarquable et d’une manière interprétable par les pathologistes. En transformant d’énormes lames numériques complexes en cartes structurées des régions épithéliales, fibreuses et adipeuses, les NBT-Classifiers créent une référence fiable de ce qu’est le normal chez de nombreuses femmes et établissements. Cette image affinée de la normalité pourrait rendre plus facile la détection des premiers signes discrets du développement du cancer, soutenant des outils futurs qui aident à identifier les femmes à risque accru et à orienter des stratégies de prévention avant l’apparition de tumeurs visibles.

Citation: Chen, S., Parreno-Centeno, M., Booker, G. et al. Normal breast tissue (NBT)-classifiers: advancing compartment classification in normal breast histology. npj Breast Cancer 12, 41 (2026). https://doi.org/10.1038/s41523-026-00896-2

Mots-clés: tissu mammaire normal, pathologie computationnelle, apprentissage profond, détection précoce du cancer, histologie numérique