Apprentissage profond pour la prédiction de la malignité et de l’origine tumorale à partir d’images entières de lames de cytologie ou d’histopathologie

Pourquoi les liquides autour des poumons et de l’abdomen sont importants

Lorsque du liquide s’accumule autour des poumons (épanchement pleural) ou dans l’abdomen (ascite), cela peut être un signe précoce que le cancer s’est propagé. Les médecins examinent ces liquides au microscope pour rechercher des cellules cancéreuses, mais la tâche est minutieuse et même des experts peuvent parfois être en désaccord. Cette étude décrit un nouveau système d’intelligence artificielle (IA) capable d’explorer des lames numériques complètes de ces liquides, d’aider à déterminer si un cancer est présent, et même de suggérer où la tumeur a probablement commencé dans le corps.

Transformer des lames microscopiques en cartes numériques

Les laboratoires de pathologie modernes peuvent numériser des lames de verre en images numériques ultra‑haute résolution, chacune contenant des millions de cellules. Les chercheurs ont utilisé ces images entières de lames issues de deux types de préparations : des « frottis » minces de cellules et des « blocs cellulaires » compacts qui ressemblent à de petits échantillons tissulaires. Ils se sont concentrés sur des liquides provenant du thorax et de l’abdomen collectés dans un grand hôpital, ainsi que sur des échantillons tissulaires supplémentaires provenant d’une vaste base de données oncologique internationale. Comme il est impossible d’annoter manuellement chaque cellule cancéreuse à cette échelle, l’équipe a conçu une méthode capable d’apprendre à partir d’étiquettes au niveau de la lame telles que « malin » ou « bénin », sans annotations détaillées.

Une IA qui s’apprend à repérer les indices

Le système, appelé MAMILE‑UNI, combine deux idées clés. D’abord, il découpe chaque lame en nombreux petits patchs d’image et les fait passer dans un réseau « transformer » puissant, pré‑entraîné, sans étiquettes humaines, sur des millions d’images de pathologie. Cette étape d’auto‑apprentissage permet au modèle de découvrir par lui‑même des motifs visuels utiles — comme des amas cellulaires et des textures tissulaires. Ensuite, un module d’attention apprend quels patchs d’une lame sont les plus importants pour le diagnostic, imitant efficacement la manière dont un pathologiste recherche des zones suspectes. Les patchs qui influencent fortement la décision sont mis en évidence, produisant des cartes thermiques montrant où l’algorithme « a regardé » lorsqu’il a étiqueté une lame comme cancéreuse ou non.

Détecter le cancer dans les liquides thoraciques et abdominaux

L’équipe a évalué MAMILE‑UNI sur 1 250 lames de liquides provenant d’épanchements pleuraux et d’ascites. Comparé à cinq méthodes de deep learning de pointe, le nouveau système s’est avéré systématiquement plus précis. Pour les épanchements pleuraux, il a correctement distingué les lames malignes des lames bénignes dans environ 9 cas sur 10, aussi bien pour les frottis que pour les blocs cellulaires. Pour les ascites, il a obtenu une précision similaire et s’est montré particulièrement performant pour maintenir à la fois une sensibilité élevée (détecter les vrais cancers) et une spécificité élevée (éviter les faux positifs). Les tests statistiques ont montré que ses prédictions correspondaient étroitement aux diagnostics véritables et étaient significativement meilleures que celles des modèles concurrents. Fait important, le système est resté fiable même lorsque les cellules cancéreuses étaient rares sur une lame, une situation qui met souvent en difficulté les lecteurs humains.

Retracer l’origine de la tumeur

Au‑delà de la simple détection de la malignité, les auteurs ont examiné si l’IA pouvait inférer où une tumeur métastatique avait démarré — un défi majeur lorsque le site primaire est inconnu. En utilisant des frottis cytologiques d’épanchements pleuraux et d’ascites, le modèle a appris à assigner les lames à de larges groupes d’origine tels que poumon, sein, tractus gastro‑intestinal ou organes gynécologiques. Il était particulièrement précis pour les cancers du poumon et du sein, tandis que les performances étaient plus modestes pour des tumeurs plus rares ou visuellement hétérogènes. Pour tester la généralité, les chercheurs ont également appliqué MAMILE‑UNI à 1 196 coupes histologiques provenant de 69 hôpitaux dans le monde. Sur ces lames d’histologie, le système a identifié l’origine tumorale avec une précision remarquablement élevée, approchant un accord quasiment parfait avec les diagnostics de référence.

Vitesse, efficacité et soutien aux cliniciens

Les pathologistes passent souvent au moins dix minutes à examiner attentivement une seule lame cytologique numérique. En revanche, MAMILE‑UNI peut traiter une lame entière et retourner une prédiction en moins de deux minutes sur une carte graphique standard, après avoir compressé des images de plusieurs gigaoctets en jeux de caractéristiques compacts. Les évaluations basées sur des courbes ont montré que le modèle a tendance à classer les cas véritablement malins en haut de sa liste de priorité, offre un équilibre favorable entre bénéfices et risques selon les seuils décisionnels, et produit des scores de probabilité qui s’alignent bien avec les résultats réels. Les cartes d’attention recouvraient étroitement les zones marquées par des pathologistes experts, ce qui suggère que le focus de l’IA est cliniquement pertinent plutôt qu’arbitraire.

Ce que cela signifie pour les patients et les médecins

Pour les patients présentant un liquide dans le thorax ou l’abdomen, un diagnostic rapide et précis oriente fortement les décisions thérapeutiques, alors que les tests actuels peuvent être lents, subjectifs et coûteux. Cette étude montre qu’un système d’IA soigneusement conçu peut dépister de manière fiable des lames numériques de liquide et de tissu pour détecter des signes de cancer et fournir des indices sur l’origine de la maladie, tout en utilisant des ressources informatiques modestes. Les auteurs soulignent que MAMILE‑UNI ne remplace pas les pathologistes, mais constitue un outil d’assistance pouvant réduire la charge de travail, améliorer la cohérence et élargir l’accès à un diagnostic oncologique de qualité — en particulier dans des contextes où l’expertise spécialisée et les tests de laboratoire avancés sont limités.

Citation: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

Mots-clés: IA en cytologie, épanchement pleural, ascite, prédiction de l’origine tumorale, pathologie numérique