Chaque année, les décisions thérapeutiques concernant plus de 230 000 patients atteints de cancer du sein aux États-Unis dépendent de la détection de métastases à distance du sein. Actuellement, cette détection repose sur l’analyse par des pathologistes de vastes zones de tissus biologiques, une procédure laborieuse et sujette aux erreurs. Nous proposons un cadre permettant de détecter et localiser automatiquement des tumeurs aussi petites que 100 × 100 pixels dans des images de microscopie de taille gigapixels (100 000 × 100 000 pixels). Notre méthode exploite une architecture de réseau de neurones convolutifs (CNN) et obtient des résultats de pointe sur le jeu de données Camelyon16 pour la tâche exigeante de détection de lésions tumorales. À 8 faux positifs par image, nous détectons 92,4 % des tumeurs, contre 82,7 % pour la meilleure approche automatisée précédente. Pour comparaison, un pathologiste humain effectuant une recherche exhaustive atteignait une sensibilité de 73,2 %. Nous obtenons des scores AUC au niveau de l’image supérieurs à 97 %, tant sur l’ensemble de test Camelyon16 qu’ sur un ensemble indépendant de 110 lames. En outre, nous avons identifié que deux lames du jeu d’apprentissage Camelyon16 avaient été incorrectement étiquetées comme normales. Notre approche pourrait considérablement réduire les taux de faux négatifs dans la détection des métastases.