Techniques basées sur l'intelligence artificielle pour caractériser la microstructure rénale sur des images histologiques (AI-TIME)

L’analyse histopathologique du tissu rénal basée sur la morphologie joue un rôle clé dans le diagnostic et les décisions thérapeutiques de nombreuses maladies rénales. À ce jour, l’analyse histopathologique est principalement réalisée de manière qualitative, par inspection visuelle, nécessitant des pathologistes experts hautement qualifiés.

Les résultats histopathologiques sont souvent notés par les pathologistes à l'aide d'échelles de classification diagnostique semi-quantitatives, telles que la classification d'Oxford de la néphropathie à IgA, ou des échelles de gravité de la maladie. Malgré de tels systèmes de notation, l’analyse histopathologique reste semi-quantitative, longue et fortement dépendante de l’opérateur. Des techniques manuelles ont été proposées pour évaluer quantitativement la microstructure rénale sur des images histologiques, montrant le potentiel de surveiller la progression de la maladie et la réponse au traitement de l'insuffisance rénale chronique (IRC). À titre d'exemple, le volume interstitiel péritubulaire, responsable de fonctions endocriniennes cruciales et subissant une expansion significative, bien que réversible, dans l'IRC, a été récemment quantifié sur des échantillons de biopsie rénale par comptage de points sur chaque image. Bien qu’elles permettent une quantification précise, ces techniques manuelles nécessitent beaucoup de main d’œuvre et dépendent de l’opérateur. Une évaluation quantitative rapide et objective de la microstructure rénale serait hautement souhaitable.

La numérisation des images histologiques, comme pour les images diagnostiques, a permis de bénéficier de techniques avancées d'analyse d'images permettant l'identification et la segmentation des structures histopathologiques pertinentes, et l'évaluation quantitative de la microstructure tissulaire.

Ces dernières années, les techniques d'intelligence artificielle (IA) et, en particulier, de Deep Learning (DL) se sont révélées prometteuses pour la segmentation (semi)automatisée de structures morphologiques pertinentes sur des images histologiques, limitant le besoin d'opérateurs experts, garantissant la reproductibilité et réduisant massivement la demande de temps. Les réseaux de neurones convolutifs (CNN) ont récemment démontré des performances exceptionnelles dans les tâches de segmentation d'images, également dans le domaine médical. En particulier, les soi-disant U-Nets, constitués d'un chemin contractuel et d'un chemin en expansion, sont devenus de plus en plus populaires depuis leur première utilisation. Jusqu’à présent, peu d’études ont utilisé les CNN pour étudier la microstructure rénale sur des images histologiques. Hermsen et coll. ont utilisé des CNN pour la segmentation multiclasse d'images histologiques issues de biopsies rénales [8]. Une étude similaire visait à développer un CNN pour la segmentation des structures des tissus rénaux de souris, telles que les glomérules, les tubules, les artères et les veines, sur la base d'images densément annotées de différentes maladies rénales et de diverses espèces animales.

Malgré ces efforts préliminaires prometteurs, la grande hétérogénéité des modèles morphologiques pose des défis quant à la généralisabilité des techniques de segmentation. Des méthodes automatisées basées sur la DL, capables de segmenter et de quantifier avec précision les structures morphologiques pertinentes sur des images histologiques de reins provenant de patients présentant différentes pathologies rénales et/ou différents stades de la maladie, seraient hautement souhaitables.