AIR-LEISH : Un jeu de données d’images microscopiques colorées au Giemsa pour la détection des amastigotes de Leishmania par IA

Pourquoi de minuscules parasites et des caméras intelligentes comptent

La leishmaniose est une maladie transmise par des parasites qui touche silencieusement des millions de personnes, principalement dans les régions à faibles revenus. Les médecins et les chercheurs s’appuient encore largement sur l’examen au microscope de frottis sanguins et tissulaires colorés pour repérer le parasite à l’intérieur des cellules immunitaires — un processus minutieux qui peut prendre des heures et nécessite une formation spécialisée. Cet article présente AIR-LEISH, une collection d’images microscopiques librement accessible conçue pour permettre aux ordinateurs d’apprendre à reconnaître automatiquement ces parasites, ouvrant la voie à des outils de diagnostic et de recherche sur les médicaments plus rapides, moins chers et plus fiables.

Des piqûres de phlébotome aux envahisseurs cachés

La leishmaniose se transmet par la piqûre de phlébotomes infectés et peut provoquer des lésions cutanées ou une infection des organes internes potentiellement mortelle. Le parasite vit et se multiplie à l’intérieur de globules blancs appelés macrophages, se cachant sous une petite forme ronde connue sous le nom d’amastigote. Pour suivre la gravité de l’infection d’un patient ou l’efficacité d’un traitement potentiel, les chercheurs doivent compter combien de parasites sont logés dans ces cellules. Les tests moléculaires peuvent détecter l’ADN parasitaire, mais dans de nombreux hôpitaux et laboratoires de recherche — en particulier dans les contextes à ressources limitées — les microscopes optiques simples restent la référence. Compter les parasites à l’œil, toutefois, est lent, fatigant et sujet à des variations entre observateurs.

Construire un jeu d’entraînement pour la vision artificielle

L’intelligence artificielle a montré qu’elle peut repérer des motifs dans les images médicales trop subtils ou fastidieux pour qu’un humain les analyse à grande échelle. Mais pour bien faire, les systèmes d’IA ont besoin de milliers d’exemples soigneusement étiquetés. Jusqu’à présent, de telles collections d’images pour la leishmaniose étaient rares, incomplètes ou difficiles d’accès — en particulier pour le stade cliniquement important des amastigotes à l’intérieur des cellules. Les auteurs ont créé AIR-LEISH pour combler cette lacune : 180 images microscopiques haute résolution colorées au Giemsa de macrophages humains infectés, capturées avec un smartphone ordinaire fixé sur un microscope de recherche standard. Chaque image montre des cellules issues de l’un des deux montages d’infection, utilisant différentes espèces de parasites et types cellulaires hôtes, de sorte qu’une large variété d’apparences réalistes est couverte.

Transformer des photos brutes en vérité terrain fiable

Pour rendre les images exploitables par des ordinateurs, chaque cellule et chaque parasite ont dû être tracés et annotés à la main. Un expert en parasitologie a d’abord délimité les contours des macrophages individuels, de leurs noyaux et des petits amastigotes à l’aide d’un outil d’annotation spécialisé. Un ingénieur en IA a ensuite affiné ces marquages pixel par pixel pour garantir des formes et des frontières précises, y compris pour les parasites petits ou chevauchants. L’équipe a vérifié la cohérence entre les annotateurs et a constaté un accord très élevé, indiquant que les étiquettes peuvent être considérées comme une vérité terrain fiable. Au total, le jeu de données comprend 8 140 parasites, 1 511 cellules hôtes et 1 731 noyaux, ainsi que des images de masques séparées qui indiquent précisément à un algorithme quels pixels appartiennent à quelle structure.

Mettre les modèles d’IA à l’épreuve

Pour montrer ce qu’AIR-LEISH peut permettre, les chercheurs ont entraîné deux systèmes d’analyse d’images largement utilisés. L’un, appelé U‑Net, est conçu pour colorer chaque pixel selon qu’il appartient au fond, au parasite, au corps cellulaire ou au noyau. L’autre, YOLOv8, trace des boîtes rectangulaires autour de chaque objet détecté et les compte. Malgré la petite taille des parasites et le nombre limité d’images, les deux modèles ont bien réussi à trouver et séparer les parasites de leurs cellules hôtes, atteignant de bons scores en précision et en fiabilité. Les modèles ont même réussi à repérer une seule cellule infectée parmi plus d’une centaine de cellules majoritairement propres, suggérant leur potentiel pour soutenir un dépistage très sensible à l’avenir.

Ouvrir des perspectives pour de meilleurs soins et de nouveaux traitements

En publiant AIR-LEISH ouvertement sur la plateforme Zenodo, accompagné du code et d’une documentation détaillée, les auteurs fournissent une base pratique à de nombreux groupes dans le monde — en particulier ceux disposant de ressources limitées — pour construire et comparer des outils d’IA pour la leishmaniose. Parce que les images incluent également les cellules hôtes et leurs noyaux, le jeu de données peut soutenir des études plus larges de dénombrement cellulaire, des niveaux d’infection, et même d’autres agents pathogènes qui vivent à l’intérieur de cellules immunitaires similaires. En termes simples, ce travail transforme des heures de travail expert au microscope en une ressource numérique réutilisable, aidant à accélérer le diagnostic, la découverte de médicaments et, en fin de compte, la lutte contre une maladie négligée mais grave.

Citation: Oualha, R., Fekih-Romdhane, N., Driss, D. et al. AIR-LEISH: A Dataset of Giemsa-Stained Microscopy Images for AI-based Leishmania amastigotes Detection. Sci Data 13, 328 (2026). https://doi.org/10.1038/s41597-026-06676-8

Mots-clés: leishmaniose, images microscopiques, IA en imagerie médicale, détection de parasites, diagnostic des maladies infectieuses