Microscopie multiphotonique sans marquage et apprentissage automatique pour la reconnaissance du carcinome hépatocellulaire

Pourquoi c’est important pour les personnes atteintes d’un cancer du foie

Le cancer du foie, et en particulier le carcinome hépatocellulaire, est à la fois fréquent et meurtrier, et la chirurgie reste souvent la seule chance de guérison. Lors d’une opération, les chirurgiens doivent retirer l’ensemble de la tumeur tout en préservant le maximum de foie sain, un équilibre difficile lorsque le tissu hépatique malade a déjà un aspect anormal. Cette étude explore une nouvelle manière de « voir » le cancer en temps réel pendant l’intervention, sans colorants ni travaux de laboratoire longs, en combinant une microscopie laser avancée et l’intelligence artificielle. L’objectif est d’aider les chirurgiens à repérer plus vite et plus précisément le véritable bord de la tumeur, ce qui pourrait améliorer les résultats pour les patients.

Regarder à l’intérieur du tissu avec une lumière spéciale

Les chercheurs ont utilisé une technique appelée microscopie multiphotonique, qui repose sur des impulsions laser très courtes pour rendre naturellement lumineuses des molécules présentes dans le tissu ou pour générer des signaux. Plutôt que d’ajouter des colorants ou des agents de contraste, la méthode lit ce qui est déjà là : les lipides, les fibres de collagène et les substances naturellement fluorescentes à l’intérieur des cellules. Trois types de signaux ont été enregistrés pour chaque petit champ d’observation dans les échantillons de foie : un signal mettant en évidence les lipides, un signal montrant l’autofluorescence provenant de molécules comme le NADH et la vitamine A, et un signal révélant les fibres de collagène rigides. Ensemble, ces signaux produisent des images colorées et haute résolution qui montrent à la fois les cellules individuelles et l’architecture générale du tissu hépatique et des tumeurs.

Capturer les multiples visages du cancer du foie

L’équipe a examiné des tissus provenant de 76 patients opérés pour cancer du foie, en observant à la fois la tumeur et le foie environnant. Ils ont montré que cette imagerie sans marquage peut représenter les schémas de croissance classiques du carcinome hépatocellulaire, tels que des nappes cellulaires minces ou épaisses, des nappes compactes et des structures glandulaires. Elle révèle aussi les modifications du foie environnant, notamment l’accumulation de graisse et la fibrose, fréquentes chez les patients atteints de maladie hépatique chronique. De manière importante, ces motifs étaient visibles même lorsque les images étaient acquises à une résolution relativement basse, similaire à ce que pourraient fournir de futurs dispositifs endoscopiques à l’intérieur du corps. Cela suggère que l’approche pourrait être pratique en salle d’opération, et pas seulement au laboratoire.

Apprendre à un ordinateur à repérer le bord de la tumeur

Pour transformer des images riches mais complexes en décisions rapides, les scientifiques ont converti chaque image en nombres décrivant la texture, par exemple la douceur, la granularité ou la variation des motifs de pixels. Pour chaque canal d’image, ils ont calculé 17 de ces mesures puis entraîné un réseau neuronal sur environ 25 000 images provenant de 35 patients pour distinguer le tissu tumoral du foie non cancéreux. Ils ont ensuite testé le modèle sur environ 27 000 nouvelles images issues d’un autre groupe de 38 patients. Lorsque l’ordinateur utilisait une combinaison de l’autofluorescence et du signal sensible au collagène, il classait correctement les images comme tumorales ou normales dans environ 97 cas sur 100. Même les tumeurs bien différenciées et très subtiles, difficiles à reconnaître pour les pathologistes sur des coupes congelées rapides, ont été classées avec une grande précision.

Ce que révèlent les motifs de lumière sur le cancer

En comparant différentes combinaisons de signaux, l’étude a montré que l’autofluorescence contenait l’information la plus utile pour distinguer le cancer du non-cancer. Cette lueur provient de nombreuses molécules naturelles à l’intérieur des cellules et de structures comme l’élastine et le collagène, elle encode donc la densité cellulaire, la taille et la forme des noyaux (vus comme des zones plus sombres), les gouttelettes lipidiques et la composition du tissu environnant. L’ajout du signal spécifique au collagène a encore renforcé le contraste entre la tumeur et le foie de fond, reflétant des différences connues dans l’organisation des fibres et des vaisseaux. De manière surprenante, le signal axé sur les lipides a moins contribué à la classification automatique, une observation pratique car elle pourrait permettre des conceptions d’appareils plus simples reposant sur un seul faisceau laser plutôt que sur des configurations à deux faisceaux plus complexes.

Du banc de laboratoire à la salle d’opération

Pour simuler une utilisation chirurgicale réelle, l’équipe a aussi appliqué leur meilleur modèle à des échantillons de tissu comprenant la bordure réelle entre tumeur et foie, en créant des cartes de probabilité mettant en évidence où le cancer s’arrêtait et où commençait le tissu normal. Ces cartes concordaient généralement bien avec l’histologie conventionnelle, bien que des régions très graisseuses ou riches en collagène aient parfois embrouillé le classificateur. Les auteurs soulignent les obstacles restants avant que cette technologie puisse guider une chirurgie en direct, notamment la profondeur limitée de l’imagerie optique, le besoin d’endoscopes stériles et robustes, les mouvements et la présence de sang sur le champ opératoire, et le défi de valider l’intelligence artificielle sur de larges jeux de données réels. Néanmoins, le travail montre que l’imagerie multiphotonique sans marquage, combinée à l’apprentissage automatique, peut agir comme un microscope numérique rapide qui pourrait un jour aider les chirurgiens à couper avec plus de précision et de sécurité, augmentant les chances que toute la tumeur soit retirée tout en préservant autant de foie sain que possible.

Citation: Galli, R., Korn, S., Aust, D. et al. Label-free multiphoton microscopy and machine learning for recognition of hepatocellular carcinoma. Sci Rep 16, 8734 (2026). https://doi.org/10.1038/s41598-026-43831-y

Mots-clés: imagerie du cancer du foie, microscopie multiphotonique, autofluorescence, marges chirurgicales, apprentissage automatique