L’intelligence artificielle révolutionne discrètement la pathologie, à l’instar de la transformation déjà engagée dans d’autres spécialités médicales grâce au numérique. Cette technologie promet d’améliorer la précision, la rapidité et l’efficacité des diagnostics, répondant ainsi aux besoins cruciaux des patients et des professionnels de santé.
Un rapport pathologique précis et rapide est essentiel pour tout patient confronté à un potentiel cancer. De même, les chirurgiens requièrent souvent des résultats en urgence pour orienter leurs décisions lors d’interventions complexes. Les avancées technologiques actuelles s’annoncent comme une réponse significative à ces impératifs.
L’IA offre un potentiel considérable pour optimiser la pratique pathologique. Elle peut automatiser des tâches répétitives, comme la détection de petites lésions, et affiner la stadification des tumeurs malignes. Ce faisant, elle fluidifie le flux de travail et agit comme une « seconde paire d’yeux » pour les pathologistes, une paire qui, elle, ne connaît ni la fatigue ni le stress lié à la surcharge.
Ces nouvelles capacités ouvrent des perspectives vastes. L’intégration de scanners et de logiciels de visualisation performants permet aux pathologistes et techniciens d’examiner et de conserver des images de lames entières (Whole Slide Imaging – WSI). Cette approche diffère radicalement de l’observation au microscope, limitée par un champ de vision restreint. La numérisation autorise également l’ajout d’annotations sur les WSI sans altération, l’utilisation des lames comme outils pédagogiques, la recherche d’archives pour des comparaisons avec des cas similaires, et facilite l’accès aux images pour les collègues et les patients. En outre, le stockage dans le cloud ouvre la voie à une collaboration mondiale entre cliniciens, patients et pathologistes.
Une étude prospective menée en 2020 par des chercheurs des universités du Michigan et de Columbia a démontré l’impact profond de l’IA et de l’apprentissage automatique (Machine Learning – ML) en pathologie. Todd Hollon et son équipe ont souligné les limites du diagnostic interopératoire du cancer, dépendant d’une « main-d’œuvre en pathologie sous-traitée et inégalement répartie ». Ce processus, impliquant le transport d’échantillons vers un laboratoire, leur traitement, la préparation des lames et l’examen par un pathologiste, est souvent peu efficace. À l’Université du Michigan, une méthode d’imagerie optique avancée, l’histologie Raman stimulée, associée à un réseau neuronal convolutif (Convolutional Neural Network – CNN), est désormais utilisée pour interpréter les images. Cet outil d’apprentissage automatique, entraîné à identifier 13 catégories histologiques, inclut un algorithme d’inférence pour aider au diagnostic de tumeurs cérébrales. L’essai prospectif multicentrique mené par Hollon et ses collègues a comparé les performances du CNN à celles de pathologistes humains sur 278 échantillons. Il a révélé que le système d’apprentissage automatique atteignait une précision comparable à celle des pathologistes (94,6 % contre 93,9 %). De manière significative, les chirurgiens obtenaient les résultats en moins de 15 secondes avec le système d’IA, contre 20 à 30 minutes avec les techniques conventionnelles. Ce dernier chiffre ne représente pas la moyenne nationale, certains contextes communautaires nécessitant l’envoi de lames par courrier spécialisé à des laboratoires situés à plusieurs heures de route.
Mayo Clinic figure parmi les établissements de santé pionniers dans la mise en œuvre de services de pathologie numérique. En partenariat avec Google, la clinique exploite cette technologie de deux manières : l’extension du profil des dossiers médicaux longitudinaux des patients avec des images pathologiques numérisées pour améliorer la prise en charge, et l’exploration de nouvelles capacités de recherche pour perfectionner l’analyse numérique en pathologie et l’IA. Ce projet collaboratif est soutenu par Sectra, un système de révision de lames numériques et de gestion d’images. Après validation et configuration, la solution de pathologie numérique sera déployée progressivement dans les départements de Mayo Clinic à Rochester, en Floride, en Arizona, ainsi qu’au sein de son système de santé.
Les nouvelles capacités numériques déployées dans les laboratoires de pathologie mondiaux promettent de résoudre plusieurs défis majeurs de la spécialité. La pénurie mondiale de pathologistes, particulièrement critique dans certaines régions d’Afrique où l’on compte un praticien pour 1,5 million d’habitants, est un problème majeur. En Chine, le ratio de pathologistes par habitant est quatre fois inférieur à celui des États-Unis. Les prévisions indiquent une poursuite du déclin du nombre de pathologistes américains dans les deux prochaines décennies. Le manque de surspécialistes et la variabilité de la précision des diagnostics, souvent basés sur des estimations subjectives du pourcentage de cellules positives pour un biomarqueur, constituent d’autres enjeux. L’implémentation de systèmes de pathologie numérique pourrait également améliorer le retour sur investissement financier des systèmes de santé, une étude suggérant une « amélioration de l’efficacité des charges de travail en pathologie de 13 % ».
Comme nous l’avons déjà souligné, l’IA et le ML ne sont pas des solutions miracles et ne remplaceront jamais l’expertise d’un clinicien ou d’un pathologiste expérimenté. Cependant, l’adoption des outils générés par l’IA et le ML aura un impact profond sur le diagnostic et le traitement au cours des prochaines décennies.