Analyse avancée et détection du cancer du col de l’utérus à l’aide de NASNetLarge

Pourquoi cela compte pour la santé des femmes

Le cancer du col de l’utérus est l’une des principales causes de décès par cancer chez les femmes dans le monde, alors qu’il est très traitable s’il est détecté tôt. Le dépistage traditionnel repose sur l’inspection visuelle des lames de frottis par des spécialistes, une tâche laborieuse qui peut manquer des signes précurseurs subtils. Cette étude explore comment une forme moderne d’intelligence artificielle peut transformer les images de frottis en motifs structurés lisibles par ordinateur, afin de repérer les altérations cellulaires à risque de manière plus cohérente et plus rapide que l’œil humain seul.

Une nouvelle approche des images de frottis

Les chercheurs s’appuient sur des images de frottis issues d’un jeu de données public de 300 échantillons, répartis équitablement en cinq types de cellules cervicales allant du normal au clairement anormal. Plutôt que d’alimenter ces images directement dans un système standard de reconnaissance d’images, ils convertissent d’abord chaque lame en une carte de petites régions et de leurs relations. Dans cette carte, chaque région de type cellule devient un point et les liaisons spatiales entre régions deviennent des lignes de connexion. Cette représentation en graphes capture non seulement l’apparence des cellules, mais aussi leur disposition, qui contient souvent des indices importants sur la maladie.

Comment le modèle intelligent apprend à partir des motifs

Pour lire ces images basées sur des graphes, l’équipe utilise NASNetLarge, un puissant modèle d’apprentissage profond initialement entraîné sur des millions de photographies du quotidien. Par une technique appelée apprentissage par transfert, ils conservent la capacité intégrée du modèle à reconnaître des motifs visuels complexes, mais réentraînent ses couches finales pour distinguer les cinq catégories de cellules cervicales. Ils augmentent également le petit jeu de données en créant des versions variées de chaque image par retournements, rotations, zooms et translations. Ce processus aide le modèle à voir de nombreux exemples plausibles, réduisant le risque qu’il mémorise simplement les données d’entraînement au lieu d’apprendre des règles générales.

Voir ce à quoi l’ordinateur prête attention

Au-delà de la simple précision, l’étude examine si le modèle regarde les bonnes parties de l’image. Les auteurs utilisent une méthode de visualisation qui met en évidence les zones les plus responsables de chaque décision, en superposant des couleurs semblables à des cartes de chaleur sur les images en graphes. Ces vues montrent que le modèle se concentre sur des amas et des frontières que les pathologistes considèrent également importants. Cela rend son comportement plus facilement interprétable et digne de confiance pour les cliniciens, et suggère que la représentation en graphes capture effectivement une structure significative plutôt que du bruit aléatoire.

Performances du système

Entraîné sur les images de frottis transformées en graphes, NASNetLarge atteint environ 94 % de précision sur les données d’entraînement et 98,33 % de précision sur les données de validation retenues, avec des scores élevés de précision, rappel et F1 sur les cinq types cellulaires. Une étude d’ablation montre que la suppression de l’étape de conversion en graphes fait chuter la précision à environ 83 %, soulignant l’intérêt d’encoder les relations entre cellules. Le modèle est également testé sur une collection distincte d’images de colposcopie et atteint de nouveau une très haute précision, ce qui suggère que l’approche peut se généraliser au-delà du jeu de données initial tout en restant réalisable sur du matériel modeste.

Ce que cela pourrait signifier pour le dépistage futur

En termes simples, l’étude montre que transformer les images de frottis en cartes structurées et les analyser avec un modèle d’apprentissage profond adapté permet de classifier les cellules cervicales avec une forte précision et de faibles taux d’erreur. Bien que ce travail nécessite encore des jeux de données plus larges et plus diversifiés avant une utilisation en clinique courante, il ouvre la voie à des outils pouvant aider les cliniciens en signalant les lames suspectes, en standardisant la qualité et en étendant le dépistage de niveau expert aux régions disposant de peu de spécialistes. Pour les patientes, cela pourrait finalement se traduire par une détection plus précoce et des traitements plus rapides du cancer du col de l’utérus.

Citation: Bilgaiyan, S., Swain, A., Das, S. et al. Advanced analysis and detection of cervical cancer using NASNetLarge. Sci Rep 16, 14875 (2026). https://doi.org/10.1038/s41598-026-38341-w

Mots-clés: cancer du col de l’utérus, frottis cervical, apprentissage profond, imagerie médicale, dépistage par IA