Application indépendante dans le monde réel d’un système automatisé de détection du cancer de la prostate de qualité clinique
Leonard M da Silva, Emilio M Pereira, Paulo Go Salles, Ran Godrich, Rodrigo Ceballos, Jeremy D Kunz, Adam Casson, Julian Viret, Sarat Chandarlapaty, Carlos Gil Ferreira, Bruno Ferrari, Brandon Rothrock, Patricia Raciti, Victor Reuter, Belma Dogdas, George DeMuth, Jillian Sue, Christopher Kanan, Leo Grady, Thomas J Fuchs, Jorge S Reis-Filho, intelligence artificielle ; apprentissage profond ; diagnostic ; histopathologie ; apprentissage automatique ; cancer de la prostate ; dépistage, Les systèmes basés sur l’intelligence artificielle (IA) appliqués aux images d’histopathologie sur lame entière ont le potentiel d’améliorer les soins aux patients en atténuant les défis posés par la variabilité du diagnostic, la charge de travail en histopathologie et la pénurie de pathologistes. Nous avons cherché à définir la performance d’un système de détection automatique du cancer de la prostate basé sur l’IA, Paige Prostate, lorsqu’il est appliqué à des données indépendantes du monde réel. L’algorithme a été utilisé pour classer les lames en deux catégories : bénignes (pas d’examen supplémentaire nécessaire) ou suspectes (analyse histologique et/ou immunohistochimique supplémentaire nécessaire). Nous avons évalué la sensibilité, la spécificité, les valeurs prédictives positives (VPP) et les valeurs prédictives négatives (VPN) d’un pathologiste local, de deux pathologistes centraux et de Paige Prostate dans le diagnostic de 600 régions de biopsie de la prostate par aiguille guidée par échographie transrectale ( » échantillons partiels « ) provenant de 100 patients consécutifs, et nous avons vérifié l’impact de Paige Prostate sur la précision et l’efficacité du diagnostic. Paige Prostate a affiché une sensibilité (0,99 ; IC 0,96-1,0), une VPN (1,0 ; IC 0,98-1,0) et une spécificité (0,93 ; IC 0,90-0,96) élevées au niveau du prélèvement partiel. Au niveau du patient, Paige Prostate a affiché une sensibilité (1,0 ; IC 0,93-1,0) et une VPN (1,0 ; IC 0,91-1,0) optimales pour une spécificité de 0,78 (IC 0,64-0,89). Les 27 échantillons partiels considérés comme suspects par Paige Prostate, dont le diagnostic final était bénin, comprenaient une atrophie (n = 14), une atrophie et du tissu prostatique apical (n = 1), du tissu prostatique apical/bénin (n = 9), une adénose (n = 2) et une hyperplasie post-atrophique (n = 1). Paige Prostate a permis d’identifier quatre patients supplémentaires dont le diagnostic est passé de bénin/suspicieux à malin. En outre, ce test basé sur l’IA a permis une réduction estimée à 65,5 % du temps de diagnostic pour le matériel analysé. Compte tenu de sa sensibilité et de sa VPN optimales, la prostate Paige peut être utilisée pour l’identification automatisée des patients dont les lames histologiques pourraient renoncer à un examen histopathologique complet. En plus de fournir des améliorations progressives en matière de précision et d’efficacité du diagnostic, ce système basé sur l’IA a permis d’identifier les patients dont le cancer de la prostate n’avait pas été initialement diagnostiqué par trois histopathologistes expérimentés. © 2021 Les auteurs. The Journal of Pathology publié par John Wiley & Sons, Ltd. au nom de la Pathological Society of Great Britain and Ireland.
Validation d’un système de pathologie numérique incluant un examen à distance pendant la pandémie de COVID-19
Modern Pathology, Matthew G. Hanna, Victor E. Reuter, Orly Ardon, David Kim, Sahussapont Joseph Sirintrapun, Peter J. Schüffler, Klaus J. Busam, Jennifer L. Sauter, Edi Brogi, Lee K. Tan, Bin Xu, Tejus Bale, Narasimhan P. Agaram, Laura H. Tang, Lora H. Ellenson, John Philip, Lorraine Corsale, Evangelos Stamelos, Maria A. Friedlander, Peter Ntiamoah, Marc Labasin, Christine England, David S. Klimstra, Meera Hameed, Remote digital pathology allows healthcare systems to maintain pathology operations during public health emergencies. Les règlements existants sur l’amélioration des laboratoires cliniques (Clinical Laboratory Improvement Amendments) exigent que les pathologistes vérifient électroniquement les rapports des patients provenant d’un établissement certifié. Pendant la pandémie de 2019 de la maladie COVID-19, causée par le virus SAR-CoV-2, cette exigence expose potentiellement les pathologistes, leurs collègues et les membres de leur foyer au risque d’être infectés. L’assouplissement de l’application de ce règlement par le gouvernement permet aux pathologistes d’examiner et d’établir des rapports sur des spécimens de pathologie provenant d’un établissement distant non certifié par la CLIA. La disponibilité de systèmes de pathologie numérique peut faciliter le diagnostic microscopique à distance, bien que la validation formelle et complète (basée sur des cas) du diagnostic numérique à distance n’ait pas été rapportée. Toutes les lames de verre représentant la charge de travail de la signalisation clinique de routine dans les sous-spécialités de la pathologie chirurgicale du Memorial Sloan Kettering Cancer Center ont été scannées sur un Aperio GT450 à une résolution équivalente ×40 (0,26 µm/pixel). Douze pathologistes de neuf sous-spécialités de la pathologie chirurgicale ont examiné et rapporté à distance, par le biais d’une connexion sécurisée, des cas complets de pathologie à l’aide d’un système de pathologie numérique provenant d’un établissement non certifié CLIA. Les images de lames entières ont été intégrées et lancées dans le système d’information du laboratoire vers un visualisateur d’images de lames entières personnalisé et indépendant du fournisseur. Les inscriptions à distance ont été réalisées à l’aide d’ordinateurs et d’écrans grand public (taille de l’écran : 13,3-42 pouces ; résolution : 1280 × 800-3840 × 2160 pixels) connectés à un poste de travail clinique de l’institution par un réseau privé virtuel sécurisé. Les pathologistes ont ensuite examiné toutes les lames de verre correspondantes à l’aide d’un microscope optique au sein du service certifié CLIA. Les mesures de la concordance intra-observateur comprenaient les éléments de rapport du diagnostic de première ligne, le statut de la marge, l’invasion lymphovasculaire et/ou périneurale, le stade pathologique et les tests auxiliaires. La taille médiane des fichiers d’images de lames entières était de 1,3 Go, le temps de numérisation par lame était en moyenne de 90 s et la surface de tissu numérisée était en moyenne de 612 mm2. Les sessions de signature comprenaient un total de 108 cas, composés de 254 parties individuelles et de 1196 diapositives. L’équivalence diagnostique majeure était de 100 % entre les diagnostics numériques et les diagnostics sur lame de verre ; et la concordance globale était de 98,8 % (251/254). Cette étude fait état de la validation de l’examen du diagnostic primaire et de la communication de cas de pathologie complets à partir d’un site distant pendant une urgence de santé publique. Notre expérience montre une concordance intra-observateur élevée (100 %) entre le diagnostic digital et le diagnostic majeur sur lame de verre lorsque le rapport est établi à partir d’un site distant. Cette étude prospective randomisée a validé avec succès l’utilisation à distance d’un système de pathologie numérique, y compris la faisabilité opérationnelle de l’examen et du rapport à distance des spécimens de pathologie, ainsi que l’évaluation de la performance de l’accès à distance et de la convivialité de la signature à distance.
Pathologie informatique de qualité clinique utilisant l’apprentissage profond faiblement supervisé sur des images de lames entières
Nature Medicine, Gabriele Campanella, Matthew G. Hanna, Luke Geneslaw, Allen Miraflor, Vitor Werneck Krauss Silva, Klaus J. Busam, Edi Brogi, Victor E. Reuter, David S. Klimstra, Thomas J. Fuchs, Le développement de systèmes d’aide à la décision pour la pathologie et leur déploiement dans la pratique clinique ont été entravés par le besoin de grands ensembles de données annotées manuellement. Pour surmonter ce problème, nous présentons un système d’apprentissage profond basé sur l’apprentissage d’instances multiples qui n’utilise que les diagnostics rapportés comme étiquettes pour la formation, évitant ainsi les annotations manuelles par pixel coûteuses et longues. Nous avons évalué ce cadre à l’échelle sur un ensemble de données de 44 732 images de lames entières provenant de 15 187 patients sans aucune forme de traitement des données. Les tests sur le cancer de la prostate, le carcinome basocellulaire et les métastases du cancer du sein dans les ganglions lymphatiques axillaires ont donné des aires sous la courbe supérieures à 0,98 pour tous les types de cancer. Son application clinique permettrait aux pathologistes d’exclure 65-75% des lames tout en conservant une sensibilité de 100%. Nos résultats montrent que ce système a la capacité d’entraîner des modèles de classification précis à une échelle sans précédent, jetant ainsi les bases du déploiement de systèmes informatiques d’aide à la décision dans la pratique clinique.
