La pathologie cancéreuse pulmonaire à l’heure de l’intelligence artificielle : entre espoir, désespoir et perspectives - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Journal Articles Annales de Pathologie Year : 2019

La pathologie cancéreuse pulmonaire à l’heure de l’intelligence artificielle : entre espoir, désespoir et perspectives

Abstract

Histopathology is the fundamental tool of pathology used for more than a century to establish the final diagnosis of lung cancer. In addition, the phenotypic data contained in the histological images reflects the overall effect of molecular alterations on the behavior of cancer cells and provides a practical visual reading of the aggressiveness of the disease. However, the human evaluation of the histological images is sometimes subjective and may lack reproducibility. Therefore, computational analysis of histological imaging using so-called “artificial intelligence” (AI) approaches has recently received considerable attention to improve this diagnostic accuracy. Thus, computational analysis of lung cancer images has recently been evaluated for the optimization of histological or cytological classification, prognostic prediction or genomic profile of patients with lung cancer. This rapidly growing field constantly demonstrates great power in the field of computing medical imaging by producing highly accurate detection, segmentation or recognition tasks. However, there are still several challenges or issues to be addressed in order to successfully succeed the actual transfer into clinical routine. The objective of this review is to emphasize recent applications of AI in pulmonary cancer pathology, but also to clarify the advantages and limitations of this approach, as well as the perspectives to be implemented for a potential transfer into clinical routine.
L’histopathologie est l’outil fondamental utilisé en anatomopathologie depuis plus d’un siècle pour établir le diagnostic final d’un carcinome bronchopulmonaire. L’information phénotypique présente sur les images histologiques reflète l’effet global des altérations moléculaires sur le comportement des cellules cancéreuses et fournit une lecture visuelle pratique de l’agressivité de la maladie. Cependant, l’évaluation humaine de l’image histologique peut être parfois subjective et assez peu reproductible selon les cas. Par conséquent, l’analyse computationnelle de l’imagerie histologique via des approches dites « d’intelligence artificielle » (IA) a récemment reçu une attention considérable afin d’améliorer cette précision diagnostique. Ainsi, l’analyse computationnelle d’images de cancer du poumon a récemment été évaluée pour l’optimisation de la classification histologique ou cytologique, la prédiction du pronostic ou du profil génomique des patients atteints d’un cancer pulmonaire. Ce domaine, en pleine croissance, fait constamment preuve d’une grande puissance dans le domaine de l’informatique d’imagerie médicale en produisant des tâches de détection, de segmentation ou de reconnaissance d’une très grande précision. Cependant, il subsiste plusieurs défis ou enjeux majeurs à relever afin de réussir le transfert réel de cette nouvelle approche en routine clinique. L’objectif de cette revue est de faire le point sur les applications récentes de l’IA en pathologie cancéreuse pulmonaire, mais aussi d’apporter des clarifications sur les avantages et les limites de cette approche, ainsi que les perspectives à mettre en œuvre pour un transfert potentiel dans la pratique quotidienne des pathologistes.
Fichier principal
Vignette du fichier
S0242649819300197.pdf (1.99 Mo) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-02446712 , version 1 (22-10-2021)

Licence

Identifiers

Cite

Simon Heeke, Hervé Delingette, Youta Fanjat, Elodie Long-Mira, Sandra Lassalle, et al.. La pathologie cancéreuse pulmonaire à l’heure de l’intelligence artificielle : entre espoir, désespoir et perspectives. Annales de Pathologie, 2019, 39 (2), pp.130-136. ⟨10.1016/j.annpat.2019.01.003⟩. ⟨hal-02446712⟩
153 View
157 Download

Altmetric

Share

Gmail Mastodon Facebook X LinkedIn More