Équiper les systèmes de pathologie computationnelle avec des pipelines de traitement d'artefacts : Une démonstration des compromis entre calcul et performance

L'histopathologie est une norme d'or pour le diagnostic du cancer lors de l'examen microscopique. Cependant, les procédures de traitement des tissus histologiques entraînent des artefacts, qui sont finalement transférés à la version numérisée des diapositives de verre, connue sous le nom d'images de diapositives entières (Whole Slide Images, WSIs). Les artefacts sont des zones diagnostiquement non pertinentes et peuvent entraîner des prédictions erronées des algorithmes d'apprentissage profond (Deep Learning, DL). Par conséquent, détecter et exclure les artefacts dans le système de pathologie computationnelle (Computational Pathology, CPATH) est essentiel pour un diagnostic automatisé fiable. Dans cet article, nous proposons un schéma de mélange d'experts (Mixture of Experts, MoE) pour détecter cinq artefacts notables dans les WSIs, y compris les tissus endommagés, le flou, les tissus pliés, les bulles d'air et le sang histologiquement non pertinent. Tout d'abord, nous formons des modèles DL binaires indépendants en tant qu'experts pour capturer la morphologie spécifique de chaque artefact. Ensuite, nous combinons leurs prédictions à l'aide d'un mécanisme de fusion. Nous appliquons un seuillage probabiliste sur la distribution finale des probabilités pour améliorer la sensibilité du MoE. Nous avons développé des pipelines DL en utilisant deux MoEs et deux modèles multiclasses basés sur des réseaux neuronaux convolutifs profonds (Deep Convolutional Neural Networks, DCNNs) et des transformateurs visuels (Vision Transformers, ViTs) d'avant-garde. Les schémas MoE basés sur DCNNs et ViTs ont surpassé les modèles multiclasses plus simples et ont été testés sur des jeux de données provenant de différents hôpitaux et types de cancer, où le MoE utilisant DCNNs a obtenu les meilleurs résultats. Le MoE proposé atteint un score F1 de 86,15 % et une sensibilité de 97,93 % sur des données inédites, tout en nécessitant moins de coûts computationnels pour l'inférence que le MoE utilisant ViTs. Cette meilleure performance du MoE s'accompagne toutefois de compromis computationnels relativement plus élevés que ceux des modèles multiclasses. La pipeline proposée pour la détection des artefacts garantira non seulement des prédictions fiables en CPATH mais pourrait également fournir un contrôle qualité.