Une IA d’observation du firmament au service de la détection du cancer de la peau
L’étalon-or de la détection des cancers de la peau s’avère toujours chronophage et peu efficace. Les dermatologues doivent examiner et surveiller les grains de beauté – les nævus(s’ouvre dans une nouvelle fenêtre) – pour détecter les signes précoces du mélanome (un type de cancer de la peau), et les patients présentant de nombreux nævus doivent également apprendre à s’auto-surveiller de manière efficace. La photographie corporelle complète(s’ouvre dans une nouvelle fenêtre) (PCC) permet de faciliter ce processus de contrôle, en capturant une image à large champ d’un patient dans des conditions normalisées afin de garantir la cohérence des images. Cela dit, les examens de suivi des patients sont toujours effectués en personne et ces images ne sont utilisées qu’en tant que référence visuelle. Entre-temps, l’incidence du mélanome est en hausse à travers le monde. Il est crucial de réaliser un diagnostic précoce: plus de 95 % des personnes diagnostiquées à un stade précoce affichent un taux de survie de cinq ans ou plus, alors que ce dernier est beaucoup plus faible pour les personnes diagnostiquées à un stade avancé. Dans le cadre du projet MOLEGAZER, financé par le Conseil européen de la recherche(s’ouvre dans une nouvelle fenêtre), les chercheurs ont transformé un algorithme utilisé pour scruter le firmament en un outil capable de repérer les grains de beauté changeants et d’identifier les éventuels cancers de la peau sur l’épiderme humain. «MOLEGAZER est un projet qui vise à automatiser la détection des nævus, à surveiller leur évolution et à aider les cliniciens à diagnostiquer les mélanomes à un stade précoce», explique Mark Sullivan(s’ouvre dans une nouvelle fenêtre), professeur d’astrophysique à l’université de Southampton.
Comment les algorithmes balaient la voûte céleste
Les algorithmes utilisés dans le cadre du projet MOLEGAZER décèlent les changements dans les images d’astronomie, tels que les étoiles en explosion. «Nos installations astronomiques scrutent le ciel toutes les deux ou trois nuits, détectant ainsi des millions d’étoiles et de galaxies», ajoute Mark Sullivan. Ces algorithmes repèrent des pixels d’image liés qui contrastent avec leur arrière-plan afin de les surveiller au fil du temps pour déceler tout changement, notamment de leur forme, de leur taille et de leur luminosité. Les algorithmes localisent ensuite les objets intéressants sur la base de l’évolution de ces propriétés.
Adaptation des algorithmes à l’imagerie de la peau
En astronomie, les objets les plus brillants sont les plus faciles à repérer. «Malheureusement, les nævus ne brillent pas», précise Mark Sullivan. «Nous avons donc prétraité nos images afin d’accroître l’intensité des nævus par rapport au reste du corps.» Alors que les formes des étoiles, des galaxies et des supernovæ se fondent harmonieusement dans l’arrière-plan, les mélanomes contrastent fortement avec leur arrière-plan. «Cette situation a en fait joué en notre faveur, car de simples algorithmes de détection des contours sont parvenus à segmenter les nævus de manière fiable. Ces informations ont ensuite été combinées à nos cartes d’intensité et nous ont permis de sélectionner avec confiance les régions d’intérêt pour le suivi dermatologique», explique-t-il. Dans le cadre du projet MOLEGAZER, l’équipe a assuré la conservation d’un ensemble de données PCC de patients présentant un risque élevé de mélanome, une ressource qui s’est révélée cruciale à l’heure d’entraîner les algorithmes. Les chercheurs ont également créé une base de données de toutes les caractéristiques de l’épiderme identifiées dans ces images.
Ajuster l’IA à la peau humaine
Les chercheurs continuent d’affiner et d’améliorer les algorithmes dans un cycle d’apprentissage actif, dans le cadre duquel les dermatologues inspectent visuellement les images des régions où l’algorithme présente la plus grande marge d’incertitude. Ce léger coup de pouce aux algorithmes les entraîne à faire une distinction avec plus de confiance entre les nævus ou mélanomes anormaux et les autres objets bénins présents sur la peau des patients. La prochaine étape consiste à déployer et à tester l’approche sur un plus grand nombre d’images de personnes – et de types de peau différents. Rubeta Matin(s’ouvre dans une nouvelle fenêtre), dermatologue consultante à l’Oxford University Hospitals NHS Foundation Trust et membre de l’équipe MOLEGAZER, explique: «Cet outil d’aide au clinicien présente un potentiel énorme pour optimiser le contrôle d’une part importante de la population comptant plus de 60 grains de beauté sur le corps et chez qui l’identification d’un mélanome suspect aurait été très difficile.»
Mots‑clés
MOLEGAZER, nævi, nævus, IA, humain, peau, mélanome, image, segmenter, détecter, cancer, peau
