Développement d'outils d'intelligence artificielle pour la caractérisation de lames histologiques marquées par nanoparticules plasmoniques

Introduction : En 2023, près de 29 400 Canadiennes furent diagnostiquées avec un cancer du sein. L’ensemble des patientes a subit une ou plusieurs biopsies servant à faire un test de détection de protéines appelé immunohistochimie (IHC). Le test permet d’établir le plan de traitement optimal pour chaque patiente. Malheureusement, cette méthode est subjective et dépend du pathologiste qui évalue l’échantillon. Le test induit donc un manque de concordance interobservateur important lors de l’évaluation de l’expression d’une protéine d’intérêt. Le groupe de Pr. Meunier a développé une solution de quantification de protéines qui passe par l’utilisation de nanoparticules plasmoniques (NPs). Ces particules qui ciblent les protéines d’intérêt apparaissent ensuite comme des billes brillantes qu’il est possible de compter. Cela donne une mesure quantitative, mais implique qu’il faut compter les NPs attachées à l’échantillon. Cependant, la difficulté de détection des NPs par des algorithmes naïfs limite le potentiel de la méthode. Objectif : Développer des approches de détection de NPs par intelligence artificielle (IA). La réalisation de cet objectif permettra de valider l’hypothèse selon laquelle l’apprentissage machine est plus propice à la détection de NPs qu’un algorithme non entraîné. Méthodologie : L’approche choisie fut de d’abord développer une banque de données de lames marquées par NPs en respectant les conditions d’acquisition d’images en pathologie. Ensuite afin de générer une annotation des images, la stratégie employée fut d’identifier le centre des NPs en utilisant une méthode de microscopie à plus haute résolution. Ainsi, différents algorithmes de segmentation sémantique de type UNet ont pu être entraînés à détecter les NPs sur les images de la banque de données. Résultats : Cette approche a permis de déterminer les paramètres d’entraînement adéquat pour ce type de tâche de détection, puis d’effectuer une détection automatique avec une meilleure performance (FScore supérieur) que celle des algorithmes non entraînés. La comparaison des performances des différents modèles a permis une réflexion sur la pertinence des mécanismes d’attention dans le contexte de cette application ainsi que sur l’utilisation de ces algorithmes pour identifier des objets de très petite taille dans des images. Cette amélioration de la détection de NPs permettra d’augmenter la plage dynamique de cette méthode de quantification de protéines afin de mieux déterminer les plans de traitements de patients atteints du cancer du sein.