Université de Lille L’Intelligence Artificielle au service du diagnostic histologique d’adénocarcinome sur matériel de cytoponction pancréatique Intelligence artificielle deep learning pathologie numérique adénocarcinome pancréas cytoponction pancréatique 610 Pancréas Cancer -- Diagnostic Adénocarcinome Diagnostic Intelligence artificielle en médecine Tumeurs du pancréas diagnostic Dissertation universitaire Adénocarcinome diagnostic Dissertation universitaire Cytoponction sous échoendoscopie Dissertation universitaire Intelligence artificielle Dissertation universitaire Contexte : L’adénocarcinome représente 90 % des tumeurs du pancréas et devrait être la deuxième cause de mortalité par cancer aux États-Unis en 2030. La cytoponction par voie écho-endoscopique est la technique non chirurgicale de référence pour le diagnostic des tumeurs pancréatiques. Le déploiement de la pathologie numérique offre de nouvelles perspectives innovantes pour le diagnostic, notamment grâce au Deep Learning. Cette méthode d’Intelligence Artificielle repose sur des algorithmes capables de mimer le cerveau humain grâce à des réseaux de neurones artificiels. Méthode : Trois réseaux de neurones artificiels (VGG-19, ResNet-50 et DenseNet-201) ont été entrainés à partir de 68 lames du CHU de Lille, après information des patients. Des techniques de transfert d’apprentissage et/ou d’augmentation artificielle des données ont été appliquées. À l’issue de la phase d’entrainement, nous avons calculé le taux de bonne prédiction pour chaque réseau de neurones en fonction de chaque stratégie d’apprentissage. Pour la phase de test, un jeu supplémentaire de 4 lames d’adénocarcinome a été prédit par le meilleur algorithme. Le taux de bonne prédiction a été calculé à l’échelle de lame entière puis à l’échelle des tuiles. Pour évaluer l’applicabilité en routine de notre algorithme, nous avons également calculé la précision (valeur prédictive positive) et le rappel (sensibilité). Un logiciel d’aide à l’interprétation du pathologiste a été conçu pour faciliter la lecture du pathologiste. Résultats : Lors de la phase d’entrainement, le taux de bonne prédiction de l’algorithme DenseNet-201 avec augmentation artificielle des données sans transfert d’apprentissage était de 96,5 %. À l’issue de la phase de test, DenseNet-201 a obtenu un taux de bonne prédiction de 100 % à l’échelle des lames entières. À l’échelle des tuiles, le taux de bonne prédiction était de 69,3 % avec une précision de 13,7 % et un rappel de 84,6 %. Conclusion : Les performances de notre algorithme ne permettent pas encore l’application en routine clinique, néanmoins de nombreuses pistes d’amélioration sont envisageables et réalisables. L’Intelligence Artificielle a toute sa place dans le diagnostic d’adénocarcinome du pancréas. Cela ouvre des perspectives pour l’ensemble des petits prélèvements de cytoponction d’organe profond. Electronic Thesis or Dissertation Text fr application/pdf 1 : 0 Ko https://pepite-depot.univ-lille.fr/LIBRE/Th_Medecine/2021/2021LILUM617.pdf Karleskind Oriane 1991-10-09 FR 261773305 2021LILUM617 2021-11-10 Médecine. Anatomie et cytologie pathologiques Université de Lille thesis.degree.grantor_1 223446556 Doctorat de médecine non oui Leteurtre Emmanuelle intervenant_1 073649198 ddc:610 Leteurtre Emmanuelle Université de Lille Université de Lille Unicode PDF 50