Détection des métastases cancéreuses sur des images de pathologie gigapixels

Chaque année, les décisions de traitement pour plus de 230 000 patientes atteintes d'un cancer du sein aux États-Unis dépendent de la présence ou non de métastases en dehors du sein. La détection des métastases est actuellement réalisée par des pathologistes qui examinent de vastes zones de tissus biologiques. Ce processus est laborieux et sujet à des erreurs. Nous présentons un cadre permettant de détecter et localiser automatiquement des tumeurs aussi petites que 100 x 100 pixels dans des images microscopiques gigapixels de taille 100 000 x 100 000 pixels. Notre méthode utilise une architecture de réseau neuronal convolutif (CNN) et obtient des résultats d'état de l'art sur le jeu de données Camelyon16 dans la tâche difficile de détection tumorale au niveau lésionnel. Avec un taux de faux positifs de 8 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 a atteint une sensibilité de 73,2 %. Nous obtenons des scores AUC au niveau image supérieurs à 97 % tant sur l'ensemble de test Camelyon16 que sur un ensemble indépendant de 110 diapositives. De plus, nous avons découvert que deux diapositives dans l'ensemble d'entraînement Camelyon16 étaient incorrectement étiquetées comme normales. Notre approche pourrait considérablement réduire les taux d'erreurs négatives dans la détection des métastases.