Vers une détection et une quantification basées sur l’apprentissage profond de la métaplasie intestinale sur des biopsies gastriques numérisées : une étude comparative multi-experts

Pourquoi c’est important pour votre santé

Le cancer de l’estomac reste l’un des cancers les plus meurtriers au monde, en grande partie parce qu’il est souvent détecté trop tard. Les médecins savent qu’une transformation précancéreuse particulière de la muqueuse gastrique, appelée métaplasie intestinale, signale un risque accru des années avant l’apparition d’une tumeur. Mais aujourd’hui ce signal d’alerte est évalué à l’œil nu, ce qui fait que deux experts peuvent examiner la même biopsie et ne pas être d’accord sur la gravité. Cette étude explore si l’intelligence artificielle peut apporter davantage de cohérence et de précision à cette étape cruciale de détection précoce.

Comment les médecins recherchent des anomalies dans l’estomac

Lorsqu’une personne est explorée pour une suspicion de maladie gastrique, de petits prélèvements de tissu sont prélevés à plusieurs sites standard de l’estomac et examinés au microscope. Les pathologistes recherchent des indices tels que l’inflammation, la perte des glandes normales et, en particulier, l’apparition de cellules de type intestinal là où elles ne devraient pas être. Plus ces modifications sont étendues et plus elles occupent de zones de l’estomac, plus le risque estimé de développer un cancer gastrique augmente. Les systèmes de score actuels combinent ces impressions visuelles en stades, allant de très faible à très élevé, et guident la fréquence du suivi du patient.

Le problème du seul jugement humain

Bien que ces systèmes soient largement utilisés en clinique, ils reposent sur l’estimation d’un pathologiste quant à la fraction de tissu altérée. Des recherches antérieures et l’expérience quotidienne montrent que même des experts bien formés peuvent diverger sensiblement dans leurs estimations. Dans cette étude, trois pathologistes ont évalué indépendamment plus de 200 séries de biopsies gastriques provenant de volontaires et de patients en Colombie. Leur degré d’accord n’a varié que de faible à modéré, ce qui signifie qu’un même cas pouvait recevoir des stades de risque différents selon le lecteur. Cette variabilité soulève des inquiétudes : certaines personnes peuvent être injustement rassurées tandis que d’autres se voient attribuer un risque plus élevé qu’il ne l’est réellement.

Apprendre à un ordinateur à lire des lames de biopsie

Les chercheurs se sont demandé si l’apprentissage profond, une forme d’intelligence artificielle performante pour reconnaître des motifs dans les images, pouvait aider. Ils ont numérisé cinq échantillons de biopsie par personne à très fort grossissement et utilisé d’abord un algorithme spécialisé pour localiser les structures glandulaires du tissu, où apparaissent les premiers changements. De ces régions, ils ont extrait des centaines de milliers de petits carreaux d’image. Un pathologiste expérimenté avait préalablement délimité les zones de métaplasie intestinale, permettant à l’équipe d’étiqueter les carreaux comme altérés ou normaux. Plusieurs architectures modernes de réseaux neuronaux ont ensuite été entraînées en étapes : d’abord en apprenant à partir de grandes bases d’images existantes, puis en étant affinées sur ces échantillons gastriques pour distinguer les carreaux métaplasiques des carreaux normaux.

Ce que l’ordinateur a trouvé et comment il se compare

Parmi les modèles testés, une architecture particulière a donné les meilleurs résultats, identifiant correctement la métaplasie intestinale sur la plupart des carreaux et atteignant des performances comparables à celles observées dans d’autres tâches d’imagerie médicale. Lorsque les prédictions au niveau des carreaux ont été reconstituées sur l’image de la lame entière, le modèle a produit des cartes colorées indiquant où les glandes altérées étaient probablement présentes. À partir de ces cartes, le programme a calculé automatiquement le pourcentage de tissu altéré sur chaque site de biopsie et a traduit ces pourcentages en les mêmes stades de risque utilisés par les experts humains. Bien que le modèle n’ait pas parfaitement correspondu à un pathologiste en particulier, il montrait une forte corrélation avec leurs estimations et, surtout, affichait une plus grande cohérence d’un cas à l’autre que celle observée entre les humains.

Ce que cela pourrait signifier pour les soins futurs

L’étude suggère que les systèmes d’apprentissage profond peuvent agir comme un « second lecteur » stable pour les biopsies gastriques, offrant des mesures objectives de la proportion de tissu présentant des changements précancéreux précoces. Plutôt que de remplacer les pathologistes, de tels outils pourraient leur fournir une base fiable, réduire les approximations et les désaccords, et aider à garantir que les patients à risque véritablement élevé soient identifiés et surveillés de manière appropriée. Après des tests supplémentaires dans différents hôpitaux et un étiquetage plus fin des sous-types tissulaires, cette approche pourrait finalement soutenir des décisions plus personnalisées et confiantes sur qui nécessite un suivi rapproché pour prévenir le cancer gastrique.

Citation: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

Mots-clés: cancer gastrique, métaplasie intestinale, apprentissage profond, pathologie numérique, stratification du risque de cancer