Analyse et développement de modèles d’intelligence artificielle pour l’aide au diagnostic des images histologiques de la thyroïde

Abstract

Les cancers de la thyroïde représentent un défi important en pathologie clinique en raison de leur diversité et de la complexité inhérente à leur diagnostic. L'analyse de leurs images histologiques est l'une des phases déterminantes pour un diagnostic précis, une tâche qui requiert des compétences avancées de la part des pathologistes. De plus, leur forte prévalence dans le monde en général et dans l'ouest de l’Algérie en particulier, implique un grand nombre d'images à analyser, les méthodes classiques devinent vite obsolètes. Cette thèse se concentre sur l'application des techniques d'apprentissage profond pour améliorer le diagnostic des tumeurs thyroïdiennes à partir d'images histopathologiques. Dans un premier temps, nous avons exploré l'applicabilité de modèles d'apprentissage profond, tels que VGG16, VGG19 et MobileNetV1, à la classification d'images histologiques de la thyroïde. Ces modèles ont été utilisés pour extraire des caractéristiques discriminantes à partir d'images acquises à un grossissement de 40x au sein du laboratoire d'histologie de la faculté de médecine de Tlemcen (256 images). Les caractéristiques extraites ont ensuite été classifiées à l'aide d'algorithmes classiques (SVM, KNN, Random Forest) afin de distinguer les tissus thyroïdiens normaux, les adénomes folliculaires et les carcinomes papillaires. En se basant sur les résultats de la première phase de notre recherche, afin d'évaluer l'influence des méthodes d'extraction de caractéristiques profondes sur les approches classiques de classification, deux modèles d'apprentissage profond pré-entraînés, à savoir EfficientNet B4 (connu pour sa haute précision et sa capacité à saisir des détails histopathologiques complexes), et MobileNetV3 (connu pour son architecture légère, conçue pour une performance rapide et une efficacité computationnelle optimale), ont été choisis pour être évalués sur un jeu de données composé de 7 272 images histologiques de la thyroïde à un grossissement de 40xs, réparties en trois catégories : Carcinome Médullaire (CM), Carcinome Papillaire (CP) et Carcinome Vésiculaire (CV). Notre ensemble de bases de données, était rassemblé au sein du laboratoire d'hygiène de la wilaya d'El-Bayadh. La méthodologie consistait principalement à utiliser ces modèles pour extraire des caractéristiques, puis à évaluer leurs performances. Les résultats obtenus montrent que ces modèles surpassent les méthodes classiques de classification des tumeurs en termes de précision, de sensibilité et de fiabilité. En outre, des techniques d'augmentation de données ont été utilisées pour accroître la diversité des images et renforcer les performances des modèles sur un large éventail de cas cliniques. Cette approche permet non seulement de réduire la subjectivité des diagnostics humains, mais aussi de standardiser le processus, minimisant ainsi les erreurs et les retards dans la prise de décision clinique. Ces résultats soulignent le rôle prometteur de l’intelligence artificielle dans le domaine de l'histopathologie et la possibilité d’intégrer ces solutions dans des environnements cliniques réels. Les perspectives futures incluent l’amélioration continue de ces modèles ainsi que leur extension à d’autres types de cancers