• Langue : Français
• Discipline : Médecine. Anatomie et cytologie pathologiques
• Identifiant : 2022ULILM070
• Type de thèse : Doctorat de médecine
• Date de soutenance : 25/04/2022

Résumé en langue originale

Contexte : les lymphomes B diffus à grandes cellules (DLBCL) sont les lymphomes non hodgkiniens les plus fréquents. Ils forment un groupe très hétérogène, notamment en termes de pronostic. Ils comprennent notamment 2 sous-types moléculaires selon la classification Cell of Origin (COO) : le groupe GCB (Germinal Center B-Cell), de meilleur pronostic, et le groupe ABC (Activated B-Cell), de moins bon pronostic. L’aspect morphologique sur lames HES (hémalun éosine safran) n’est plus utilisé pour différencier ces sous-types. L’algorithme de Hans, complémentaire, basé sur l’immunohistochimie, permet cette classification. C’est une méthode rapide mais qui comporte 15% de discordance par rapport à la méthode moléculaire de référence. La technique par RTMLPA permet également cette classification, avec beaucoup plus de précision, mais avec un délai de rendu plus long. Des algorithmes d’intelligence artificielle (IA), d’exécution très rapide, basés sur des images histopathologiques, ont été développés avec de bonnes performances pour résoudre diverses problématiques, mais pour le moment aucun n’a été développé pour la classification COO des DLBCL. Matériel et Méthodes : nous avons étudié les cas de DLBCL diagnostiqués au CHRU de Lille entre le 1er décembre 2010 et le 31 décembre 2020 et ayant bénéficié d’une classification COO par technique RTMLPA, constituant notre gold standard. Nous avons effectué une relecture histologique de ces cas, pour déterminer leur aspect morphologique sur lames HES et pour les classer selon l’algorithme de Hans. Nous avons également scanné puis annoté les lames HES puis entraîné un modèle d’IA pour classer les images obtenues en deux classes, ABC et GCB. Résultats : 204 cas ont été inclus. Au total, un taux de concordance de 67% a été obtenu entre la morphologie déterminée sur l’HES par le pathologiste expérimenté et la RTMLPA. Un taux de concordance de 84% a été obtenu entre le résultat de l’algorithme de Hans et le résultat de la RTMLPA. Le modèle KimiaNet optimisé a obtenu un taux d’exactitude de 79% sur le jeu de données indépendant utilisé pour la phase de test. Conclusion : au total, la classification COO des DLBCL par intelligence artificielle sur lames histopathologiques est possible avec un bon taux d’exactitude et une grande rapidité. Cependant, ces résultats doivent encore être améliorés pour pouvoir être utilisés en routine, il faudrait notamment augmenter le taux d’exactitude et supprimer l’étape d’annotation des lames.