Des chercheurs de l’Université de Californie à Los Angeles (UCLA), en collaboration avec des pathologistes du Hadassah Hebrew University Medical Center et de l’Université du Sud de Californie, ont mis au point une méthode fondée sur l’apprentissage profond capable de générer numériquement plusieurs colorations immunohistochimiques à partir d’un seul échantillon tissulaire non coloré. Cette innovation repose sur une approche intelligente qui utilise des réseaux de neurones profonds pour prédire l’apparence de plusieurs marques moléculaires dans un tissu biologique, en se basant uniquement sur une seule coupe histologique non traitée. Traditionnellement, les pathologistes doivent appliquer plusieurs colorations distinctes sur des sections différentes du même tissu pour identifier divers biomarqueurs, ce qui consomme du temps, des ressources et expose à des variations liées au traitement. Grâce à cette nouvelle méthode, il devient possible d’obtenir virtuellement plusieurs images de coloration — comme celles visant à détecter des protéines spécifiques associées au cancer — à partir d’un seul échantillon. Le modèle d’apprentissage profond est entraîné sur des données d’images réelles de tissus colorés, lui permettant d’apprendre les relations complexes entre les structures cellulaires et les signaux de coloration. Les résultats montrent que les images synthétiques générées sont très proches des images réelles obtenues par les méthodes classiques, avec une précision suffisante pour être utilisées dans un contexte diagnostique. Cette avancée pourrait révolutionner le diagnostic du cancer en réduisant le besoin de tissus, en accélérant le processus de diagnostic et en permettant une analyse plus complète des échantillons, notamment dans les cas où les tissus sont limités. En outre, cette technique ouvre la voie à une meilleure personnalisation des traitements, en offrant une vision plus riche des profils moléculaires des tumeurs, sans nécessiter de ressources supplémentaires. Les chercheurs soulignent que cette méthode est non seulement plus efficace, mais aussi plus durable, en limitant l’utilisation de réactifs chimiques coûteux et parfois toxiques. Cette étude, publiée dans une revue scientifique de haut niveau, marque une étape importante vers l’intégration de l’intelligence artificielle dans la pathologie, en combinant l’expertise humaine avec la puissance de l’analyse automatisée. Elle pourrait bientôt être intégrée dans les laboratoires de diagnostic, transformant ainsi la manière dont les cancers sont détectés et caractérisés.