Les méthodes basées sur l'apprentissage profond, telles que l'approche par fenêtre glissante pour la classification d'images recadrées et l'agrégation heuristique pour l'inférence de l'image entière, ont montré des résultats prometteurs dans l'analyse des motifs histologiques dans les images de microscopie à haute résolution. Ces approches nécessitent cependant un processus d'annotation fastidieux et sont fragmentées. Cette étude diagnostique a collecté des images histologiques à haute résolution déidentifiées (N = 379) pour entraîner un nouveau modèle composé d'un réseau neuronal convolutif et d'un réseau d'attention basé sur une grille, entraînable sans annotations de régions d'intérêt.Des images histologiques de patients ayant subi une biopsie muqueuse endoscopique de l'œsophage et du cardia gastro-œsophagien entre le 1er janvier 2016 et le 31 décembre 2018 au Dartmouth-Hitchcock Medical Center (Lebanon, New Hampshire) ont été collectées. La méthode a atteint une précision moyenne de 0,83 dans la classification de 123 images de test. Ces résultats étaient comparables voire meilleurs que ceux obtenus par la méthode actuelle de pointe basée sur la fenêtre glissante, qui a été entraînée avec des régions d'intérêt.Les résultats de cette étude suggèrent que le cadre proposé basé sur un réseau neuronal profond avec attention pour la détection du syndrome de Barrett et du cancer adénocarcinome de l'œsophage est important car il repose uniquement sur des annotations au niveau tissulaire, contrairement aux méthodes existantes qui sont basées sur des régions d'intérêt. Ce nouveau modèle devrait ouvrir des perspectives pour l'application de l'apprentissage profond en pathologie numérique.