L'avenir de l'IA en pathologie : une ère de transformation pour le diagnostic
L'intelligence artificielle (IA) remodèle rapidement de nombreuses disciplines scientifiques et médicales, la pathologie émergeant comme un domaine prêt à connaître une transformation significative. L'intégration de l'IA, notamment via l'apprentissage automatique (ML) et l'apprentissage profond (DL), promet de révolutionner la précision du diagnostic, de rationaliser les flux de travail et, à terme, d'améliorer les résultats pour les patients. Cette exploration académique se penche sur le paysage actuel et la trajectoire future de l'IA en pathologie, soulignant ses profondes implications.
À la base, l'IA en pathologie exploite des méthodes informatiques avancées pour analyser de vastes ensembles de données, imitant et dépassant souvent les capacités cognitives humaines en matière de reconnaissance de formes. Alors que le concept de pathologie numérique – la conversion de lames de verre en images numériques haute résolution – remonte à 1986, son adoption généralisée et l’intégration ultérieure de l’IA n’ont pris un essor considérable qu’au cours des deux dernières décennies. Cette numérisation est l'étape fondamentale, permettant aux algorithmes d'IA de traiter et d'interpréter des informations visuelles complexes à partir d'échantillons de tissus [1].
L'un des avantages les plus convaincants de l'IA en pathologie est sa capacité à **améliorer la précision et la cohérence du diagnostic**. L'examen pathologique traditionnel, reposant sur une analyse microscopique manuelle, peut être intrinsèquement subjectif et sujet à la variabilité. Les algorithmes d’IA proposent cependant des évaluations quantitatives de biomarqueurs complexes, réduisant ainsi la subjectivité et garantissant des résultats plus cohérents dans différents cas et laboratoires. Ces systèmes excellent dans la détection de caractéristiques et d'anomalies subtiles qui pourraient être négligées par l'œil humain, offrant ainsi une couche cruciale de sensibilité diagnostique. Par exemple, en pathologie du sein, l'IA contribue déjà au diagnostic des tumeurs, à l'analyse quantitative de marqueurs comme HER-2 et Ki-67 et à la détection de cellules métastatiques [1, 2].
Au-delà de la précision, l'IA contribue de manière significative à **rationaliser les flux de travail et à accroître l'efficacité** au sein des laboratoires de pathologie. Les outils basés sur l'IA peuvent automatiser les processus de pré-examen, en triant et en hiérarchisant les cas en fonction de l'urgence ou de la probabilité de résultats cancéreux. Cette hiérarchisation intelligente peut réduire les délais d’exécution et optimiser l’allocation des ressources. De plus, les systèmes de pathologie numérique, intégrés aux systèmes d'information de laboratoire (LIS), facilitent la gestion et la distribution transparentes des cas. La possibilité de partager des diapositives numériques à l'échelle mondiale permet également des consultations à distance et des deuxièmes avis, en surmontant les barrières géographiques tout en respectant les réglementations sur la confidentialité des données [2].
L'IA et la pathologie numérique jouent également un rôle essentiel dans le progrès de la **médecine de précision**. En identifiant de nouveaux biomarqueurs histologiques, notamment des marqueurs spatiaux complexes difficiles à évaluer manuellement, l’IA fournit des informations plus approfondies sur les mécanismes de la maladie. Cette capacité est cruciale pour développer des diagnostics compagnons qui prédisent les réponses des patients à des thérapies spécifiques, en particulier dans des domaines en évolution rapide tels que les conjugués anticorps-médicament et l'immuno-oncologie [2]. Les efforts de recherche s'étendent au carcinome de la prostate pour la détection automatique du cancer et au score de Gleason, au mélanome pour la classification et au score des lymphocytes infiltrant la tumeur, et aux cancers de l'ovaire et du poumon pour la classification, le classement et les analyses quantitatives moléculaires [1].
Malgré ces progrès, l’intégration complète de l’IA dans la pratique courante de la pathologie est encore loin d’être dans plusieurs décennies. Des défis persistent, notamment l'investissement substantiel requis en matériel et en logiciels, la complexité de l'archivage et le volume considérable de données générées. Cependant, la trajectoire est claire : l’IA n’est pas destinée à remplacer les pathologistes mais à servir de partenaire de collaboration, construisant la pathologie computationnelle sur l’histopathologie traditionnelle. En fournissant des résultats numériques fiables pour les évaluations analytiques, telles que le nombre de TIL, le nombre de mitoses et diverses applications immunohistochimiques, l'IA réduira considérablement la charge de travail des pathologistes, leur permettant de se concentrer sur des défis diagnostiques et des soins aux patients plus complexes [1, 2].
En conclusion, l'IA est sur le point de transformer la pathologie en une discipline plus précise, plus efficace et axée sur les données. Même si des défis subsistent, le potentiel de collaboration de l'IA avec l'expertise humaine promet un avenir où les diagnostics seront plus précis, les traitements plus ciblés et les résultats pour les patients profondément améliorés.
Références
[1] Usta, U. et Taştekin, E. (2024). Présent et avenir de l'intelligence artificielle en pathologie. *Journal médical des Balkans*, 41(3), 157-158. [https://pmc.ncbi.nlm.nih.gov/articles/PMC11077921/](https://pmc.ncbi.nlm.nih.gov/articles/PMC11077921/)
[2] PathAI. (23 juillet 2024). *L'avenir de la pathologie : comment les laboratoires bénéficieront de l'adoption d'une stratégie numérique et d'IA*. [https://www.pathai.com/resources/the-future-of-pathology](https://www.pathai.com/resources/the-future-of-pathology)