Introduction d’un système intégré de gestion des images pathologiques, d’intelligence artificielle et de rapports

Résumé

La gestion intégrée des images, l’intelligence artificielle (IA) et les systèmes de rapport ont révolutionné la pratique de la pathologie diagnostique. Dans cet article, nous présentons FlexLIS, un système de pointe qui permet à l’IA d’aider les pathologistes à effectuer des évaluations d’images histopathologiques et à générer des rapports de diagnostic.

Résumé

Le développement des systèmes de rapports électroniques (LIS), des systèmes de gestion d’images (IMS) et des modèles d’IA a révolutionné les pratiques de pathologie. En intégrant un IMS avancé et des algorithmes d’IA sophistiqués, ces systèmes rationalisent davantage le processus de diagnostic, permettant des diagnostics plus précis et plus efficaces. FlexLIS est un logiciel de pathologie numérique de pointe intégrant des modèles d’IA pour l’analyse d’images et la transcription des résultats générés par l’IA en rapports de pathologie complets. Ce système intégré à l’IA peut également prendre en charge le contrôle de la qualité (CQ), commander des colorants spéciaux pour les cas difficiles et faciliter les consultations. Par conséquent, il a le potentiel d’améliorer la précision du diagnostic et le flux de travail des pathologistes. Dans cet article, nous fournissons un protocole concis pour les pathologistes sur la façon d’utiliser le logiciel pour examiner les images de lames et générer des rapports de pathologie. Nous discutons également de son application dans le diagnostic du cancer de la prostate à l’aide de la biopsie à l’aiguille de la prostate et du dépistage du cancer de la vessie par cytologie urinaire, mettant en évidence la polyvalence et l’impact de la plateforme dans les pratiques cliniques.

Introduction

La pathologie diagnostique est une spécialité médicale importante qui permet de diagnostiquer des maladies par l’examen des tissus obtenus sur les patients. Des échantillons de tissus sont traités et de fines sections de tissu sont placées sur des lames de verre, qui sont ensuite colorées avec des produits chimiques tels que l’hématoxyline et l’éosine (H&E). Traditionnellement, les pathologistes examinent au microscope les tissus colorés sur des lames de verre et émettent des rapports de diagnostic à l’aide de logiciels informatiques, c’est-à-dire de systèmes d’information de laboratoire (LIS ; Figure 1A). Au cours de la dernière décennie, la pathologie numérique a progressivement été introduite dans la pratique de la pathologie, où les lames de verre ont été numérisées en scannant la lame de verre pour produire une image de lame entière (WSI)¹. Les pathologistes n’ont qu’à examiner les images des lames à l’aide d’un système de gestion d’images (IMS) pour établir des diagnostics, ce qui a un impact significatif sur le flux de travail de la pratique de la pathologie (Figure 1B). Plus récemment, l’intelligence artificielle (IA) avec apprentissage automatique approfondi des images histopathologiques numérisées offre une opportunité potentielle d’améliorer la précision et l’efficacité du diagnostic des pathologistes ^1,2.

En raison de l’introduction et du développement de LIS, d’IMS et de l’IA pathologique à différentes périodes, ces systèmes sont fournis par différents fournisseurs et fonctionnent indépendamment. À l’heure actuelle, les pathologistes doivent travailler avec deux systèmes distincts, c’est-à-dire le SIL pour la déclaration des diagnostics et le SGI pour l’examen des images¹. De plus, les modèles d’IA actuels sont conçus pour mieux fonctionner avec IMS, mais pas avec LIS³. L’incompatibilité du LIS, de l’IMS et de l’IA a un impact significatif sur le développement et la mise en œuvre de modèles de pathologie numérique et d’IA dans la pratique de routine de la pathologie. Il est idéal et important de disposer d’un système intégré qui combine LIS et IMS afin que l’IA puisse examiner les images dans IMS et générer des rapports de pathologie dans LIS.

Par conséquent, notre objectif est de développer un système LIS/IMS/AI intégré basé sur le cloud qui permet aux pathologistes d’accéder aux images et d’émettre des rapports à tout moment et en tout lieu. De plus, les modèles d’IA interagissent de manière transparente entre l’IMS et le LIS, de sorte que les résultats de l’évaluation des images par l’IA dans l’IMS peuvent être automatiquement transcrits dans les rapports de pathologie du LIS. Les pathologistes n’ont qu’à examiner l’image dans IMS et confirmer le diagnostic dans LIS sans saisie manuelle. Dans cet article, nous présentons le protocole d’utilisation de FlexLIS par les pathologistes et démontrons les applications réelles de l’analyse et de la communication d’images assistées par l’IA dans le diagnostic du cancer de la prostate et la cytologie urinaire pour le dépistage du cancer de la vessie.

Protocole

FlexLIS a été conçu dans le strict respect des normes de confidentialité des données et des cadres réglementaires, y compris la loi HIPAA (Health Insurance Portability and Accountability Act). Toutes les données des patients traitées dans le système sont cryptées à la fois au repos et en transit à l’aide de protocoles standard de l’industrie.

1. Création du compte

1. Ouvrez le navigateur Web. Tapez Continue (Figure 2). Un e-mail est envoyé à l’utilisateur.
2. Accédez à l’e-mail et cliquez sur le lien pour vous connecter, ce qui ouvrira la fenêtre Liste d’acquisition (Figure 3).

2. Numérisation des lames de verre

1. Mettez le scanner numérique sous tension et chargez des lames de vitrail (c’est-à-dire de l’hématoxyline et de l’éosine) dans le scanner.
2. Appuyez sur Démarrer pour lancer la numérisation des lames de verre. Les images seront automatiquement téléchargées dans le système par une interface directe et disposées dans un format de cas comme les pathologistes le voient généralement dans le bac à lames.

3. Analyse des données

1. Voir la liste des cas dans la fenêtre Liste d’acquisition (Figure 3 et Figure 4) et les images correspondantes dans la fenêtre Examen des images (Figure 5 et Figure 6).
   REMARQUE : Le logiciel utilise les points de référence suivants pour évaluer la convivialité de l’utilisateur : taux de réussite des tâches, temps consacré à la tâche, taux d’erreur, nombre d’actions par tâche, échelle d’utilisabilité du système (SUS) et satisfaction des utilisateurs via des études et des entretiens avec les utilisateurs. Nous utilisons Datadog pour la surveillance des utilisateurs en temps réel (RUM) et pour surveiller les erreurs d’application.
2. Dans la fenêtre Liste d’acquisition, l’utilisateur voit la liste des cas attribués (Figure 3C). Cliquez sur le bouton fléché vers le bas devant le boîtier (PN24-00004) pour voir les colorants commandés par le personnel et l’IA (PIN4 dans ce cas). Un point vert sur l’icône du microscope indique la fin de l’analyse de l’IA (Figure 2C). Un point rouge devant le numéro d’accession indique un cancer détecté dans l’image par l’IA (figure 2C). Révisé/Prêt/Total indique le nombre total d’images dans chaque catégorie. Le! après le numéro de l’image indique l’évaluation de la qualité de l’image par l’IA (c’est-à-dire images manquantes ou floues).
3. Cliquez sur l’icône Utilisateur devant le cas PN24-00004 , ce qui permet à l’utilisateur d’accéder à la fenêtre d’examen par le pathologiste (Figure 4). Tous les spécimens sont classés par ordre alphabétique (figure 4B) dans le tableau récapitulatif des spécimens. L’utilisateur voit les résultats de l’analyse de l’IA pour chaque échantillon, y compris le diagnostic (bénin, HGPIN, ASAP, cancer) et la description (scores de Gleason, longueur de la tumeur et groupe de grade ; Figure 4B). Les utilisateurs voient également les résultats de l’IA dans un diagramme (rouge-cancer, orange-ASAP et noir-bénin ; Figure 4B).
4. Cliquez sur l’icône Microscope à gauche sur B (Figure 4B), ce qui ouvre la fenêtre Examen d’image (Figure 5). L’utilisateur voit l’image correspondante dans une fenêtre d’examen d’image distincte (Figure 5). L’utilisateur voit également des annotations IA, les surbrillances rouges indiquent le cancer et les surbrillances vertes indiquent Gleason 4 (Figure 5).
5. Cliquez sur C (Figure 5A) pour afficher l’image C, cliquez sur D pour afficher l’image D, etc. Cliquez sur l’icône AI Feedback dans la Figure 5C pour afficher les détails des sorties AI (Figure 6).

Résultats

Dans cette section, deux cas d’utilisation sont présentés pour démontrer comment l’IA peut aider les pathologistes à évaluer les images et à fournir des données diagnostiques.

Diagnostic du cancer de la prostate (Figure 7) : Évaluation histopathologique de la biopsie de la prostate avec cancer, y compris la longueur et le pourcentage de la tumeur, les scores de Gleason (3, 4 et 5), le pourcentage de Gleason 4 et 5, etc. Cette information est ensuite utilisée pour classer les patients en 4 groupes de grades (1 à 4), 4 étant le cancer de la prostate le plus agressif ^4,5. Ces informations doivent être incluses dans le rapport de pathologie ; c’est donc un exemple parfait pour illustrer le diagnostic de pathologie assisté par l’IA.

Dans cet exemple, les lames de verre avec biopsie de la prostate ont d’abord été colorées avec la procédure d’hématoxyline-éosine (H&E). La lame colorée a ensuite été numérisée pour générer une image complète de la lame (WSI), qui a été téléchargée dans le système via une interface directe entre l’ordinateur du scanner et le logiciel (figure 7). Une fois téléchargé, un modèle alimenté par l’IA traite l’étiquette, identifie et marque chaque entité, y compris la source de l’échantillon (c’est-à-dire la prostate) et le type de coloration (c’est-à-dire H&E). Ce modèle détermine si l’image est une biopsie de la prostate colorée à H&E. Si c’est le cas, un autre modèle basé sur l’IA analyse l’image et génère des commentaires ou des sorties basés sur l’analyse (Figure 7A). Ce modèle basé sur l’IA est également capable de précommander des colorants immunohistochimiques PIN4 pour aider les pathologistes à confirmer la présence de petites zones tumorales (Figure 3).

Ce modèle a été formé sur plus de 1700 images de lames entières de prostate (WSI) qui ont été annotées au pixel près par une équipe de pathologistes expérimentés. Suite à l’annotation des WSI, un modèle d’apprentissage profond est appliqué pour classer les tuiles de tissu prostatique en quatre catégories : bénigne, Gleason3, Gleason4 et Gleason5. Comme l’illustre la figure 5, les sorties basées sur des tuiles sont agrégées pour créer un masque de diapositive entière mettant en évidence les régions cancéreuses : Cancer (rouge), Gleason4 (vert) et Gleason5 (bleu ; Figure 6). En plus de ces masques, le modèle d’IA a généré un étiquetage final (Cancer ou Bénin) pour le WSI de la prostate. Cette classification est basée sur des caractéristiques morphologiques telles que les aires de Gleason3, Gleason4 et Gleason5, la certitude des masques Gleason3, Gleason4 et Gleason5, et d’autres facteurs. La performance de notre modèle actuel de la prostate pour la détection du cancer de la prostate a été confirmée par l’utilisation d’un ensemble indépendant de 1 000 WSI qui n’ont pas été utilisés lors de l’élaboration ou de la validation du modèle. Chaque diapositive du kit de validation est étiquetée comme bénigne ou cancéreuse. Le modèle entraîné attribue également une étiquette à chaque diapositive comme décrit. En comparant les étiquettes de vérité terrain avec les prédictions du modèle, des mesures de performance telles que la précision, la sensibilité, la spécificité et le score F1 ont été calculées, comme le montre le tableau 1. Les résultats indiquent que le modèle entraîné a des performances comparables à celles d’autres modèles d’IA de la prostate⁶.

En plus des scores de Gleason, le modèle d’IA est capable de déterminer la longueur et le pourcentage de tumeur, ainsi que le groupe de grade (Figure 7). De plus, le modèle d’IA est également capable de calculer les informations pathologiques et cliniques basées sur les groupes de risque du NCCN si elles sont fournies (Figure 7A). Dans FlexLIS, l’IA est capable de transcrire toutes les informations de diagnostic dans le rapport de pathologie, de sorte que les pathologistes n’ont pas à les saisir manuellement dans le rapport (Figure 7B). Bien que l’ensemble du processus d’IA soit effectué en arrière-plan et ne soit pas visible pour les pathologistes, les résultats de l’analyse de l’IA et la même image sont visibles pour les pathologistes qui peuvent décider de conserver ou de modifier les résultats de l’IA dans le rapport de pathologie (figure 7B).

Cytologie urinaire pour le dépistage du cancer de la vessie : La cytologie urinaire est la principale méthode non invasive pour le dépistage, le diagnostic et la surveillance du cancer de la vessie⁷. La cytologie urinaire classe les patients en quatre catégories : négatif pour le carcinome urothélial de haut grade, cellules urothéliales atypiques, suspect pour le carcinome urothélial de haut grade et carcinome urothélial de haut grade⁸. L’examen de la cytologie urinaire nécessite de l’expérience et des compétences et prend beaucoup de temps. Par conséquent, le dépistage par cytologie urinaire assisté par IA est très demandé. Ce cas présente une évaluation sur cellule unique par l’IA.

L’examen des lames de cytologie urinaire peut être un processus laborieux et chronophage pour les pathologistes. Il faut balayer méticuleusement de vastes champs et zoomer et dézoomer fréquemment pour localiser des cellules rares et significatives sur le plan diagnostique, ressemblant souvent à la recherche d’une aiguille dans une botte de foin. Cette approche manuelle exige non seulement beaucoup de temps et de concentration, mais contribue également à la fatigue diagnostique et à la variabilité potentielle des interprétations. Pour rationaliser ce processus, le modèle de cytologie urinaire basé sur l’IA intégré à FlexLIS a été développé pour aider les pathologistes en détectant et en classifiant automatiquement un large éventail de types de cellules dans les échantillons d’urine. Le modèle est capable d’identifier les catégories suivantes : HGUC (cellules de carcinome urothélial de haut grade), suspectes (cellules urothéliales avec des anomalies marquées suggérant une malignité mais non définitivement diagnostiques), cellules urothéliales atypiques, globules rouges (globules rouges), cristaux, lymphocytes, cellules polymorphes, virus du polyome, cellules tubulaires rénales, spermatozoïdes, cellules squameuses, cellules urothéliales normales, levures et autres. Pour améliorer encore la facilité d’utilisation, les catégories significatives sur le plan diagnostique (HGUC, cellules urothéliales atypiques et cellules suspectes) sont mises en évidence à l’aide de couleurs distinctes (Figure 8), ce qui permet aux pathologistes de se concentrer rapidement sur les zones d’intérêt sans avoir besoin d’un balayage manuel exhaustif.

De plus, le modèle d’IA quantifie le nombre de cellules dans chaque catégorie détectée et intègre de manière transparente ces données dans la sortie (Figure 8). Ces résultats sont automatiquement transcrits dans le rapport de pathologie, ce qui permet au pathologiste de se concentrer uniquement sur l’examen, la vérification et la finalisation du cas. Cela améliore considérablement l’efficacité du diagnostic, réduit la charge de travail manuelle et favorise la cohérence et la précision des rapports.

Pour entraîner le modèle d’IA, 500 régions ont été sélectionnées au hasard à partir de 150 images de lames entières d’échantillons de cytologie urinaire. Des cytopathologistes experts ont annoté manuellement les cellules de ces régions en 14 catégories prédéfinies, comme décrit précédemment, ce qui a donné plus de 30 000 cellules annotées. Les régions de 80 % des diapositives ont été utilisées pour la formation, tandis que les 20 % restants ont été réservés à la validation. Un modèle de détection d’objets a ensuite été formé et évalué pour identifier et classer avec précision les cellules dans les catégories définies.

En plus des modèles de cytologie de la prostate et de l’urine, le modèle d’IA en gastroentérologie est également disponible dans le logiciel. D’autres modèles, notamment le cancer de la vessie et le cancer du poumon, sont en cours de développement.

Figure 1 : Flux de travail de pathologie. (A) Flux de travail traditionnel en pathologie. (B) Flux de travail de pathologie numérique. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : fenêtre de connexion. Entrez e-mail dans la boîte de réception. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3 : Fenêtre de la liste d’acquisition. (A) La barre latérale gauche indique différentes options d’utilisation. (B) Filtre d’accession pour rechercher et trier les cas. (C) Liste d’accession avec les informations de chaque cas, y compris le numéro d’acquisition, le nom du patient, l’état du cas, le nombre et la qualité des images, etc. Dans ce cas, 4 cas ont été attribués à l’utilisateur. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4 : Fenêtre d’examen par le pathologiste. (A) Renseignements sur le cas, y compris l’état du cas. (B) Le tableau récapitulatif de l’échantillon fournit un résumé de chaque échantillon, y compris le site, le diagnostic et les commentaires. (C) Les informations sur l’échantillon fournissent des informations supplémentaires sur l’échantillon. (D) Panneau de contrôle du boîtier pour naviguer dans le boîtier. Le schéma de droite indique les sites de biopsie de la prostate et les résultats de l’IA (rouge-cancer, orange-ASAP et noir-bénin). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 5 : fenêtre d’examen des images. (A) La bibliothèque d’images (barre latérale gauche) répertorie tous les spécimens par ordre alphabétique avec des informations sur le type et l’état de la tache. (B) Barre d’outils (en haut) pour déplacer, annoter et partager les images. (C) Informations sur le cas/IA (barre latérale droite) pour faire des commentaires, communiquer avec le personnel et consulter les commentaires/sorties de l’IA. Il s’agit d’une biopsie de la prostate avec cancer de la prostate masqué par l’IA (rouge-cancer et vert-Gleason 4). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 6 : Sorties de l’IA. (A) Image histologique. (B) Rétroaction de l’IA, c’est-à-dire évaluation de l’image par l’IA, y compris la longueur de la tumeur, le score de Gleason, le groupe de notes, etc. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 7 : Le modèle d’IA de la prostate évalue automatiquement l’image de la biopsie de la prostate et aide à générer des rapports de pathologie. (A) Après analyse des images dans l’IMS. (B) L’IA transmet les résultats au rapport de pathologie. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 8 : Évaluation par IA de la lame de cytologie urinaire. Les cellules urothéliales anormales ont été mises en évidence en rouge (cellules cancéreuses urothéliales de haut grade) et en rose (cellules suspectes). Les résultats de l’IA s’affichent dans l’encart (coin supérieur droit). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Exactitude	Précision	Sensibilité	Spécificité	Score F1
97%	96%	98%	96%	97%

Tableau 1 : Performance du modèle d’IA de la prostate pour la détection de l’adénocarcinome dans les biopsies de la prostate.

Discussion

L’application réussie et précise de FlexLIS repose sur plusieurs étapes critiques du processus, qui peuvent être définies comme des facteurs pré-analytiques, analytiques et post-analytiques¹. Le facteur préanalytique le plus important est la qualité de l’image, qui est affectée par les scanners numériques, les étiquettes de lames et les taches. La mauvaise qualité des images a un impact significatif sur l’évaluation des images et les performances de l’IA. Les facteurs analytiques comprennent la vitesse d’Internet, la qualité de l’affichage de l’image (pixels et résolution), la stabilité du logiciel et le bon fonctionnement par les utilisateurs. Les facteurs post-analytiques comprennent le stockage et la conservation des images, la sauvegarde des images, la résilience, la sécurité des données et la conformité HIPAA¹. Étant donné que le logiciel est conçu par des pathologistes pour des pathologistes, de nombreuses erreurs analytiques potentielles rencontrées dans la pratique quotidienne, y compris les mauvaises performances, peuvent être détectées et signalées par le logiciel pour s’assurer que ces erreurs sont corrigées avant de passer à l’étape suivante. Par exemple, si une image n’est pas examinée et que le diagnostic n’est pas saisi (figure 4), le cas ne peut pas être finalisé.

Bien que le logiciel rationalise considérablement le flux de travail, des ajustements ou des dépannages occasionnels peuvent être nécessaires. Par exemple, des divergences entre les évaluations de l’IA et les interprétations du pathologiste peuvent survenir. Ces différences peuvent résulter de facteurs tels que la qualité de l’image, les variations dans les techniques de coloration des lames ou la présence de types de tumeurs rares et de modèles histopathologiques qui étaient sous-représentés dans les ensembles de données d’entraînement initiaux. Pour relever ces défis, une approche human-in-the-loop est utilisée, où les pathologistes fournissent un retour d’information au modèle d’IA. Ces commentaires sont utilisés pour mettre à jour périodiquement le modèle avec de nouvelles données d’entraînement plus diversifiées, améliorant ainsi sa précision et sa généralisabilité au fil du temps. Cela permet de s’assurer que le système continue d’évoluer et de s’améliorer en fonction de l’expérience clinique du monde réel.

Bien que chaque système LIS⁹, IMS et AI¹⁰ ait déjà été signalé, FlexLIS se distingue par son système intégré qui, à notre connaissance, n’a pas été signalé auparavant. Plus important encore, ce système intégré, y compris ses modèles d’IA, a été utilisé quotidiennement dans plusieurs cabinets de pathologie et a démontré son utilité et sa fiabilité. Un tel système est conçu pour être utilisé dans les laboratoires de pathologie de routine, et prend donc en charge la manipulation et la déclaration d’une variété d’échantillons pathologiques, y compris la prostate, la vessie, le sein, les poumons, l’imagerie gastro-intestinale, la gynécologie, etc. Ce système intègre plusieurs fonctionnalités de contrôle de la qualité basées sur l’IA, notamment la détection et le signalement des artefacts dans les images (tissus flous et manquants), ce qui peut avoir un impact sur la précision du diagnostic. Enfin, ce système est très flexible et peut être adapté aux besoins spécifiques de chaque laboratoire.

Les applications futures de ce système intégré LIS/IMS/AI sont très vastes, y compris les services cliniques, la recherche biomédicale et la formation des étudiants en médecine et des résidents. Il offre un module de recherche distinct qui garantit de répondre à des normes élevées en matière de recherche, y compris celles requises par le comité d’examen institutionnel, telles que 1) dépersonnaliser les images en effaçant l’étiquette de la diapositive originale qui contient l’identifiant du patient et en attribuant un nouvel identifiant de recherche ; 2) trier et organiser les lames et les cas selon les exigences de la conception de l’étude ; 3) enregistrer et suivre le diagnostic et les commentaires des participants à des fins d’analyse et de synthèse des données, etc.

Son utilité dans l’éducation est mise en évidence par notre projet de formation continue^{des résidents 11}, qui indique que l’assistance de l’IA peut augmenter la précision des résidents dans l’identification des principales caractéristiques histopathologiques. Plusieurs fonctionnalités du logiciel décrit ici, notamment l’IMS convivial et un grand nombre d’images dans le système, l’accès contrôlable des masques et des annotations d’IA, des fonctionnalités ChatGPT intégrées spécifiques à la pathologie et une capacité de partage de cas sécurisée et pratique, en font une plate-forme utile pour l’apprentissage autodirigé et la formation guidée par un mentor.

À l’heure actuelle, le logiciel est confronté à plusieurs limitations et défis, comme toute autre plate-forme de gestion d’images basée sur l’IA¹. Les défis de l’intégration, y compris l’interface avec le DME existant, le stockage et la récupération d’images volumineuses, etc., doivent être pris en compte lors de la mise en œuvre. La généralisabilité des modèles d’IA dans différentes institutions, scanners, protocoles de coloration et populations de patients, ainsi que la sensibilité aux artefacts d’image, la variabilité de la préparation des tissus et les modèles histologiques rares, sont quelques-unes des limites associées aux modèles d’IA pathologique. Enfin, l’interopérabilité est un autre défi des systèmes d’IA pathologique en raison de la fragmentation des formats de données, de la terminologie diagnostique et des outils spécifiques aux plateformes.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
FlexLIS	Novino AI