Établissement de l’encyclopédie de dermatopathologie DermpathNet avec un flux de travail basé sur l’intelligence artificielle

Pourquoi une nouvelle bibliothèque d’images de la peau est importante

Les cancers de la peau et d’autres lésions sont souvent diagnostiqués en examinant de fines coupes de tissu au microscope, un domaine appelé dermatopathologie. Pourtant, les images utilisées pour former les médecins et tester les outils d’intelligence artificielle (IA) sont généralement verrouillées derrière des paywalls ou des règles de confidentialité. Cet article présente DermpathNet, une collection librement accessible et soigneusement revue de milliers d’images de biopsies cutanées, construite avec l’aide de l’IA. Elle a été conçue pour faciliter et fiabiliser l’apprentissage, la vérification des diagnostics et le développement de nouveaux outils informatiques pour les cliniciens et les chercheurs du monde entier.

Le problème des lames pédagogiques cachées

La plupart des stagiaires en médecine apprennent à partir de lames en verre ou de fichiers numériques contrôlés par un seul hôpital. Ces matériaux peuvent contenir des identifiants de patients ou être soumis à des licences empêchant le partage. Les ressources en ligne existantes exigent soit des abonnements payants, offrent seulement quelques cas d’exemple, soit ne sont pas systématiquement revues par des experts. En conséquence, étudiants et cliniciens manquent d’une collection ouverte, large et fiable d’images microscopiques cutanées montrant à la fois des tumeurs courantes et rares. Sans une telle ressource, il est difficile de comparer des cas, de standardiser l’enseignement ou d’évaluer équitablement les performances des systèmes de vision par ordinateur.

Trouver des images de qualité dans une mer d’articles

Les auteurs se sont tournés vers la collection Open Access de PubMed Central, une vaste bibliothèque d’articles biomédicaux en texte intégral dont le contenu peut être réutilisé légalement. Ils ont commencé par un lexique structuré de 12 groupes de tumeurs cutanées bénignes et malignes et près de 200 diagnostics spécifiques, construit à partir de l’expertise et de vocabulaires médicaux standardisés. À l’aide de ce lexique, ils ont interrogé PubMed Central pour les articles dont les titres ou résumés mentionnaient ces maladies, téléchargé les textes complets et extrait toutes les figures et leurs légendes. Cette première passe a fourni plus de 200 000 figures provenant de plus de 43 000 articles — bien trop nombreuses, et la plupart n’étaient pas réellement des images microscopiques de peau.

Comment l’IA et les mots-clés ont travaillé ensemble

Pour trier les images utiles des images non pertinentes, l’équipe a créé un système de filtrage hybride. Une partie était un modèle d’apprentissage profond entraîné sur une collection d’images médicales distincte pour décider si une image ressemblait ou non à une lame de pathologie. L’autre partie passait au crible les légendes des figures à la recherche de phrases révélatrices telles que les niveaux de grossissement ou les termes de coloration qui accompagnent généralement les images au microscope. Pour les diagnostics très courants, seules les images ayant passé les deux tests ont été conservées, améliorant la pureté ; pour les diagnostics rares, les images ayant réussi l’un ou l’autre test ont été acceptées afin de ne pas perdre d’exemples peu fréquents. Lorsque cette méthode hybride a été comparée à une « référence » humaine composée de 651 images étiquetées manuellement, sa performance a été élevée, avec un F-score supérieur à 90 %, mieux que l’utilisation de l’IA ou des mots-clés seuls.

Ce que contient DermpathNet et comment il est utilisé

Après traitement, le flux de travail a produit 7 772 images couvrant 166 diagnostics tumoraux cutanés différents. Chaque image a été revue par des dermatopathologistes certifiés et est liée à des métadonnées riches décrivant l’article source, le type de maladie et les codes médicaux standardisés. L’ensemble de données est organisé pour que les utilisateurs puissent explorer par catégorie de maladie, diagnostic spécifique ou publication d’origine, tout en suivant les informations de licence. Au-delà de l’éducation, les auteurs ont utilisé DermpathNet pour sonder les limites d’un modèle moderne vision–langage : GPT‑4v. Lorsqu’on lui a demandé d’identifier des tumeurs cutanées spécifiques dans ces images difficiles, sous des formats vrai/faux, ouvert ou à choix multiple, le modèle a obtenu de faibles performances, échouant souvent à reconnaître le diagnostic correct même lorsqu’on lui fournissait une courte liste d’options.

Ce que cela signifie pour les médecins et les machines

Pour les non-spécialistes, DermpathNet peut être considéré comme un atlas de haute qualité, partagé ouvertement, des tumeurs cutanées microscopiques, construit avec un système de tri intelligent qui permet aux experts humains de se concentrer sur les vérifications finales plutôt que sur la navigation manuelle. Il abaisse les barrières à la formation et à la comparaison entre institutions et met en lumière la difficulté de la tâche visuelle : même un système d’IA de pointe a peiné sur ces images. Les auteurs concluent que si l’IA peut aider à assembler de telles ressources, les modèles généralistes d’aujourd’hui ne sont pas encore prêts à remplacer le jugement spécialisé en dermatopathologie. DermpathNet offre plutôt une base solide pour l’enseignement et pour la construction de la prochaine génération d’outils d’IA médicale dédiés pouvant réellement aider au diagnostic des maladies cutanées.

Citation: Xu, Z., Lin, M., Zhou, Y. et al. Establishing dermatopathology encyclopedia DermpathNet with Artificial Intelligence-Based Workflow. Sci Data 13, 368 (2026). https://doi.org/10.1038/s41597-026-06715-4

Mots-clés: dermatopathologie, jeu de données d’images médicales, intelligence artificielle, cancer de la peau, pathologie numérique