Focus

La combinaison de la numérisation, de l’intelligence artificielle et des méthodes multiplexes permet de hisser l’histologie vétérinaire à un niveau supérieur, offrant davantage d’objectivité, une source d’informations plus importante et une applicabilité plus large.

Les examens histologiques jouent depuis des décennies un rôle central dans l’enseignement, le diagnostic et la recherche. L’analyse microscopique de tissus en conditions physiologiques et pathologiques permet de déterminer leur structure, leur composition et les modifications qu’ils subissent, ce qui est essentiel pour reconnaître et comprendre les maladies. Si le principe fondamental de l’histologie n’a pas changé au fil des décennies, les méthodes d’analyse et les informations qui peuvent être obtenues à partir des coupes tissulaires ont quant à elles évolué.

Deux innovations centrales

Traditionnellement, l’examen histologique est réalisé sur place à l’aide d’un microscope optique, et les observations ainsi obtenues ainsi que leur interprétation dépendent principalement de l’expérience de la ou du pathologiste. Les résultats sont décrits, estimés ou quantifiés manuellement (p. ex. comptage de mitoses dans les tumeurs). Cette approche est assez subjective; de plus, les quantifications sont longues et limitées à certaines zones tissulaires pour pouvoir être effectuées manuellement (analyses des hotspots). La numérisation des coupes tissulaires et l’utilisation de l’intelligence artificielle (IA) ouvrent en revanche de nouvelles perspectives. L’histologie numérique et assistée par l’IA permet d’effectuer une analyse automatisée, standardisée et objective des échantillons tissulaires. La numérisation des coupes tissulaires permet de saisir des préparations entières en haute résolution et de les rendre disponibles indépendamment du lieu. Des algorithmes de deep learning peuvent alors être utilisés pour reconnaître et quantifier des caractéristiques tissulaires définies, compter des éléments individuels tels que des cellules, des figures mitotiques ou des micro-organismes, et rendre leur répartition spatiale visible et mesurable. L’histologie basée sur l’IA apporte deux innovations majeures: d’une part, la ou le pathologiste travaille sur ordinateur, ce qui rend indispensable la maîtrise du logiciel correspondant, et d’autre part, la quantité et la précision des informations obtenues à partir des tissus sont considérablement accrues.

L’exemple du marqueur immunohistochimique Ki-67, utilisé pour déterminer le taux de prolifération cellulaire des tumeurs, illustre clairement la différence entre l’histologie traditionnelle et l’histologie basée sur l’IA. Traditionnellement, seule une petite zone tumorale présentant la plus forte expression de Ki-67 (hotspot) est examinée, et les cellules Ki-67 positives sont quantifiées manuellement au microscope optique. Les méthodes basées sur l’IA offrent en revanche les options suivantes: l’analyse de l’ensemble de la coupe tissulaire tumorale est possible; les hotspots Ki-67 sont identifiés automatiquement; l’expression du Ki-67 de milliers de cellules est quantifiée de manière objective; et l’analyse s’effectue en arrière-plan, sans interrompre le flux de travail. Avec le matériel dont dispose actuellement notre institut, l’évaluation de l’expression du Ki-67 d’environ 180 000 cellules tumorales prend moins de deux minutes. Des analyses comparables peuvent être appliquées à de nombreux autres marqueurs tissulaires.

Logicielles commerciales et open source

Il existe des solutions logicielles commerciales et open source pour l’histologie numérique, dont l’utilisation varie en fonction du laboratoire de pathologie (diagnostic ou recherche, humain ou vétérinaire), des compétences des pathologistes dans l’utilisation du logiciel, du volume d’échantillons et du type d’analyse tissulaire souhaité. Les systèmes commerciaux proposent souvent des modules certifiés, des interfaces conviviales et des fonctions avancées, tandis que les programmes open source offrent des flux de travail de base comme la détection des tissus, la segmentation, l’analyse des marqueurs et l’exportation de données quantitatives. Parmi les exemples de logiciels commerciaux approuvés, on peut citer Philips IntelliSite Pathology Solution (2017, FDA, diagnostic), Paige Prostate (2021, FDA, premier outil basé sur l’IA pour la détection du cancer de la prostate chez l’être humain) et Inspirata Dynamyx (2022, FDA, diagnostic). En Europe, plusieurs plateformes certifiées CE-IVDR se sont imposées, notamment Visiopharm AI Apps, Indica Labs HALO AP®, Aiforia Clinical Suite et Mindpeak AI. Les programmes open source les plus utilisés, comme Orbit, Cytomine, Ilastik ou QuPath, sont principalement adaptés aux projets de recherche.

Révolution dans la recherche

Dans le domaine de la recherche notamment, les méthodes numériques révolutionnent l’analyse des tissus, car les procédés basés sur l’IA permettent une quantification objective, standardisée et reproductible. Parmi les exemples d’application, on peut citer le typage et le comptage des cellules immunitaires dans les tumeurs ou les tissus infectés, la mesure du tissu cicatriciel dans le cœur après un infarctus du myocarde, ainsi que la quantification des plaques et du tissu cérébral affecté dans les modèles d’Alzheimer. Sur la base de ces analyses, l’analyse multiplexe, qui permet de représenter simultanément des dizaines, voire des centaines de marqueurs sur une coupe tissulaire, prend de plus en plus d’importance. L’imagerie par cytométrie de masse (IMC) est une technologie multiplexe, à l’instar du système d’imagerie Hyperion de Standard BioTools (anciennement Fluidigm), commercialisé depuis 2011. Cette technologie associe l’ablation laser et la spectrométrie de masse, permettant ainsi une analyse haute résolution des échantillons de tissus. Un autre exemple est le système d’imagerie MACSima™ de Miltenyi Biotec, basé sur la technologie d’imagerie par immunofluorescence cyclique (MICS). Ces deux technologies élargissent considérablement les possibilités d’analyse des tissus, car elles permettent d’examiner en détail et de manière exhaustive les structures cellulaires et leurs interactions au sein des tissus. Les solutions logicielles correspondantes permettent non seulement de détecter des marqueurs individuels, mais aussi de calculer les relations de voisinage et les corrélations. Elles ouvrent ainsi de nouvelles perspectives sur l’organisation fonctionnelle des tissus et fournissent des ensembles de données précieux pour la recherche.

À l’Institut de pathologie animale de Berne, notre processus de travail pour les projets de recherche en pathologie numérique peut être résumé comme suit: tous les tissus disponibles sur la coupe sont d’abord automatiquement détectés, puis les régions pertinentes sont segmentées et définies. Ces dernières peuvent ensuite être vérifiées et ajustées manuellement en fonction de la question posée. Les marqueurs sont ensuite détectés et classés, ce pour quoi nous utilisons dans la plupart des cas des algorithmes de deep learning. Cette étape comprend également un contrôle technique par des pathologistes avant l’exportation et l’évaluation des résultats. Nous utilisons le logiciel commercial Visiopharm (Visiopharm, Hørsholm, Danemark) pour l’ensemble du processus.

Gain supplémentaire significatif

En résumé, l’histologie reste fondamentalement inchangée malgré l’introduction de nouvelles technologies: il s’agit toujours d’examiner des tissus au microscope afin de comprendre, de diagnostiquer et d’étudier des maladies. Ce qui a changé, ce sont les méthodes d’examen histologique, qui permettent d’obtenir un gain supplémentaire significatif grâce à des procédés numériques et à des analyses basées sur l’IA. Pour la pathologie, cela signifie le passage d’une microscopie subjective et localisée à des analyses objectives, standardisées et indépendantes du lieu. L’intelligence artificielle n’est plus une vision d’avenir, mais une technologie déjà disponible aujourd’hui, de plus en plus utilisée en pathologie et, plus généralement, en médecine vétérinaire, et qui continuera à se développer considérablement dans les années à venir.