Détection et classification du cancer de la thyroïde par imagerie spectrale et intelligence artificielle

Pourquoi il est important de dépister tôt le cancer de la thyroïde

Le cancer de la thyroïde est le cancer le plus fréquent des glandes productrices d’hormones, et son diagnostic repose encore en grande partie sur l’examen au microscope par un pathologiste. Pourtant, même des experts peuvent diverger, en particulier pour les cas limites qui paraissent en partie bénins et en partie préoccupants. Cette étude décrit une nouvelle façon d’analyser des lames standard de tissu thyroïdien en combinant des mesures optiques avancées et l’intelligence artificielle, dans le but d’aider les médecins à distinguer plus précisément et de façon plus constante le tissu normal du tissu cancéreux.

Voir au‑delà des couleurs ordinaires des lames

Dans la pratique quotidienne, le tissu thyroïdien prélevé lors d’une chirurgie est découpé en tranches très fines, coloré en rose et violet, puis examiné au microscope. Ces teintes proviennent de deux colorants, l’hématoxyline et l’éosine, qui mettent en évidence les noyaux cellulaires et les tissus environnants. Les scanners numériques traditionnels convertissent cela en une image simple en rouge‑vert‑bleu (RVB), comme un appareil photo de téléphone. L’équipe à l’origine de ce travail a construit un système d’imagerie différent, dit imagerie spectrale, qui mesure comment chaque point minuscule de la lame absorbe la lumière à travers des dizaines de couleurs dans le spectre visible au lieu de seulement trois. Cette « empreinte colorée » plus riche capture des différences subtiles liées à la densité et à l’organisation du matériel génétique à l’intérieur du noyau de chaque cellule, des caractéristiques qui changent souvent en présence de cancer.

Transformer les spectres de cellules isolées en informations exploitables

Pour exploiter ces mesures détaillées, les chercheurs ont d’abord demandé à des pathologistes experts de délimiter des zones clairement normales et clairement tumorales sur chaque lame. Leur microscope spectral a ensuite scanné ces deux zones en environ 5–10 minutes par spécimen, collectant environ 40 valeurs d’intensité lumineuse pour chaque pixel. Un réseau de neurones spécialisé, basé sur une architecture largement utilisée en imagerie médicale, a automatiquement détecté et délimité les noyaux des cellules individuelles. Pour chaque noyau, le système a calculé son spectre moyen ainsi que sa taille et sa forme, et a évalué dans quelle mesure le spectre différait de spectres typiques de noyaux normaux et de noyaux cancéreux. De cette manière, ce que le pathologiste perçoit qualitativement comme des noyaux « plus sombres » ou « plus serrés » est traduit en caractéristiques numériques qu’un ordinateur peut analyser.

Deux voies pour trier cellules normales et cancéreuses

L’étude a évalué deux approches complémentaires pour classer les cellules. Dans une approche semi‑automatisée, un pathologiste marque encore une région comme normale et une comme tumorale. Le système compare alors le spectre de chaque noyau à des spectres de référence provenant de ces deux zones, en utilisant une méthode simple de regroupement pour séparer les noyaux vraisemblablement normaux des noyaux vraisemblablement cancéreux. Cette méthode a atteint des scores F1 — un compromis entre sensibilité et précision — autour de 0,8 ou plus pour les principaux sous‑types de cancer thyroïdien, et s’est améliorée lorsque les noyaux limites aux caractéristiques mixtes étaient mis de côté. Dans une approche entièrement automatisée, un modèle d’apprentissage automatique appelé forêt aléatoire a appris à partir de plus de 150 000 noyaux étiquetés à reconnaître des motifs de taille, de forme et de comportement spectral des noyaux indiquant un cancer. Testé sur des cas patients indépendants, il a également atteint des scores F1 supérieurs à 0,82, sans nécessiter d’annotation manuelle des régions.

Des cellules individuelles aux décisions sur le tissu entier

Les décisions thérapeutiques ne se fondent pas sur le sort d’une seule cellule, mais sur la présence de cancer dans des zones tissulaires plus larges et sur l’étendue possible de la maladie. Les chercheurs ont donc évalué les performances de leur système lorsqu’il regroupe les cellules en sous‑régions et étiquette chaque région comme tumorale ou normale si la majorité de ses noyaux semblent cancéreux ou non. Cette vision basée sur les régions a encore amélioré la précision, notamment en réduisant les faux positifs dans le tissu normal. Surtout, l’approche est restée transparente : chaque décision peut être retracée jusqu’à des caractéristiques cellulaires et des spectres visibles, évitant le comportement de « boîte noire » qui rend certains outils de deep learning difficiles à faire accepter en clinique.

Ce que cela pourrait signifier pour les patients et les médecins

L’étude montre qu’ajouter des mesures spectrales détaillées et une IA soigneusement conçue aux lames thyroïdiennes de routine peut mettre en évidence de façon fiable les zones cancéreuses, même pour des sous‑types délicats qui déconcertent souvent les experts. Parce que la méthode fonctionne sur les mêmes colorations standard déjà utilisées dans le monde entier, elle pourrait être intégrée aux flux de travail de la pathologie numérique sans modifier la préparation des tissus. Plutôt que de remplacer les pathologistes, le système fournit une carte des noyaux probablement normaux et cancéreux sur la lame, aidant à confirmer les diagnostics difficiles, accélérant les examens et réduisant potentiellement le risque à la fois de cancers manqués et de traitements agressifs inutiles.

Citation: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Mots-clés: cancer de la thyroïde, pathologie numérique, imagerie spectrale, intelligence artificielle, diagnostic du cancer