Une étude révèle la lutte de l’IA contre la contamination des tissus dans les diagnostics médicaux, un problème facilement géré par les pathologistes humains, soulignant l’importance de l’expertise humaine dans les soins de santé malgré les progrès de la technologie de l’IA.
La contamination des échantillons de tissus peut induire en erreur les modèles d’IA, les empêchant de poser des diagnostics précis dans des situations réelles.
Les pathologistes humains suivent une formation rigoureuse pour identifier les cas où des échantillons de tissus d’un patient sont accidentellement placés sur des lames de microscope destinées à un autre patient, une erreur appelée contamination tissulaire. Cependant, ce type de contamination pose un défi important pour les modèles d’intelligence artificielle (IA), qui sont généralement développés dans des environnements propres et contrôlés, selon une étude récente de Northwestern Medicine.
« Nous entraînons les IA à distinguer « A » de « B » dans un environnement artificiel très propre, mais, dans la vraie vie, l’IA verra une variété de matériaux sur lesquels elle n’a pas été entraînée. Lorsque c’est le cas, des erreurs peuvent se produire », a déclaré l’auteur correspondant, le Dr Jeffery Goldstein, directeur de la pathologie périnatale et professeur adjoint de pathologie périnatale et d’autopsie à l’université. Université du nord-ouest École de médecine Feinberg.
« Nos résultats nous rappellent que l’IA qui fonctionne incroyablement bien en laboratoire peut échouer dans le monde réel. Les patients doivent continuer à s’attendre à ce qu’un expert humain soit le décideur final des diagnostics posés sur les biopsies et autres échantillons de tissus. Les pathologistes craignent – et les sociétés d’IA l’espèrent – que les ordinateurs viennent nous occuper de notre travail. Pas encore. »
Dans la nouvelle étude, les scientifiques ont formé trois modèles d’IA pour scanner des lames de microscope de tissu placentaire afin (1) de détecter les dommages aux vaisseaux sanguins ; (2) estimer l’âge gestationnel ; et (3) classer les lésions macroscopiques. Ils ont formé un quatrième modèle d’IA pour détecter le cancer de la prostate dans les tissus prélevés à partir de biopsies à l’aiguille. Lorsque les modèles étaient prêts, les scientifiques ont exposé chacun d’entre eux à de petites portions de tissus contaminants (vessie, sang, etc.) prélevées au hasard sur d’autres lames. Enfin, ils ont testé les réactions des IA.
Chacun des quatre modèles d’IA a accordé trop d’attention à la contamination des tissus, ce qui a entraîné des erreurs lors du diagnostic ou de la détection des lésions vasculaires, de l’âge gestationnel, des lésions et du cancer de la prostate, selon l’étude.
Les résultats ont été récemment publiés dans la revue Pathologie moderne. Il s’agit de la première étude examinant comment la contamination des tissus affecte les modèles d’apprentissage automatique.
« Pour un humain, nous appellerions cela une distraction, comme un objet brillant et brillant »
La contamination des tissus est un problème bien connu des pathologistes, mais elle surprend souvent les chercheurs ou les médecins non pathologistes, souligne l’étude. Un pathologiste examinant 80 à 100 lames par jour peut s’attendre à en voir deux à trois contenant des contaminants, mais il a été formé pour les ignorer.
Lorsque les humains examinent des tissus sur des lames, ils ne peuvent regarder qu’un champ limité au microscope, puis passer à un nouveau champ, et ainsi de suite. Après avoir examiné l’ensemble de l’échantillon, ils combinent toutes les informations recueillies pour établir un diagnostic. Un modèle d’IA fonctionne de la même manière, mais l’étude a révélé que l’IA était facilement induite en erreur par les contaminants.
« Le modèle d’IA doit décider à quels éléments il faut prêter attention et lesquels ne le doivent pas, et c’est un jeu à somme nulle », a déclaré Goldstein. « S’il s’agit de prêter attention aux contaminants tissulaires, il s’agit alors de prêter moins d’attention aux tissus du patient examiné. Pour un humain, nous appellerions cela une distraction, comme un objet brillant et brillant.
Les modèles d’IA ont accordé une grande attention aux contaminants, indiquant une incapacité à coder les impuretés biologiques. Les praticiens devraient s’efforcer de quantifier et d’améliorer ce problème, affirment les auteurs de l’étude.
Des scientifiques de l’IA en pathologie ont étudié différents types d’artefacts d’image, tels que le flou, les débris sur la lame, les plis ou les bulles, mais c’est la première fois qu’ils examinent la contamination des tissus.
« Convaincu que l’IA pour le placenta est réalisable »
Les pathologistes périnatals, comme Goldstein, sont incroyablement rares. En fait, il n’y en a que 50 à 100 dans l’ensemble des États-Unis, la plupart situés dans de grands centres universitaires, a déclaré Goldstein. Cela signifie que seulement 5 % des placentas aux États-Unis sont examinés par des experts humains. À l’échelle mondiale, ce chiffre est encore plus faible. L’intégration de ce type d’expertise dans les modèles d’IA peut aider les pathologistes de tout le pays à faire leur travail mieux et plus rapidement, a déclaré Goldstein.
« Je suis en fait très enthousiasmé par la façon dont nous avons pu construire les modèles et par leurs performances avant de les casser délibérément pour l’étude », a déclaré Goldstein. «Nos résultats me rendent convaincu que les évaluations IA du placenta sont réalisables. Nous avons été confrontés à un problème réel, mais atteindre ce ralentisseur signifie que nous sommes sur la bonne voie pour mieux intégrer l’utilisation de apprentissage automatique en pathologie. »
L’étude a été financée par l’Institut national d’imagerie biomédicale et de bio-ingénierie, le Centre national pour l’avancement des sciences translationnelles (NCATS), le Fonds de la Fondation Walder pour retenir les cliniciens-chercheurs et le ministère de la Santé et des Services sociaux.
