Diagnostic par réaction : ce que le tissu cérébral sain révèle de la maladie ✛

‹›

Imaginez que vous essayez de comprendre ce qui s'est passé dans une pièce à partir du son qui subsiste après un coup de feu. Le coup de feu n'est plus là, mais l'écho résonne encore contre les murs. C'est à peu près ainsi que le neuropathologiste examine une coupe de tissu cérébral dans laquelle la tumeur elle-même est absente : la biopsie n'a prélevé que du tissu sain qui a eu le temps de réagir à la maladie. Jusqu'à 14 % des biopsies cérébrales ne contiennent pas de cellules tumorales, et le médecin doit alors annoncer au patient que la cause de sa maladie n'a pas été identifiée. Mais et si, dans ce tissu « vide », un signal était tout de même caché ?

Les auteurs ont prélevé 245 coupes colorées provenant de 186 patients ayant un diagnostic confirmé. Sur chaque coupe, les zones contenant la tumeur ont été retirées manuellement, ne laissant que le tissu réactif, c'est-à-dire celui qui s'est modifié en réponse à la maladie mais qui n'est pas lui-même tumoral. Ensuite, chaque coupe a été découpée en petits fragments carrés (patchs), et chaque fragment a été transformé en vecteur numérique à l'aide de quatre modèles d'encodeurs différents. Ces vecteurs ont été agrégés en un vecteur unique pour la coupe grâce à un mécanisme d'attention qui pondère l'importance des différentes parties de l'image. Le modèle a ensuite appris à distinguer trois classes : tumeur, inflammation et tissu sain.

Le premier résultat a été décevant. Sur la tâche grossière « tumeur/inflammation/contrôle », le modèle ne surpassait guère une simple régression logistique qui ne tenait compte que de la taille de la coupe : précision équilibrée de 0,798 contre 0,782. Autrement dit, le modèle a surtout appris à distinguer les grandes coupes des petites, plutôt que la maladie de la santé. Mais sur des tâches plus fines, la situation a changé. Lorsqu'il s'agissait de déterminer le type de gliome ou l'organe d'origine d'une métastase, la taille de la coupe n'aidait plus : la baseline retombait au niveau du hasard. En revanche, les modèles classifiaient toujours significativement mieux que le hasard (p≤10⁻⁴ au test de permutation). Cela signifie que le tissu réactif contient réellement un signal qui ne se réduit pas à des artefacts techniques.

Curieusement, les quatre modèles d'encodeurs ont montré une précision identique : les différences par paires disparaissaient après correction pour comparaisons multiples. Cela suggère que la limitation ne vient pas de la manière de représenter l'image, mais du signal lui-même : il est faible, diffus et caché dans un tissu que le pathologiste considère traditionnellement comme non diagnostique. De plus, l'attention des modèles était en partie attirée par le sang présent lors du prélèvement : pour un modèle, la proportion de ces patchs parmi les cinq premiers était de 27 %, tandis que pour un autre, elle n'était que de 4 %. Autrement dit, des modèles ayant la même précision peuvent se concentrer sur des zones de coupe complètement différentes, et une réponse « correcte » ne garantit pas que le modèle ait trouvé une caractéristique biologiquement pertinente.

Cette étude montre pour la première fois que le signal de la maladie persiste dans le parenchyme « vide » et peut être extrait automatiquement. Elle introduit également un contrôle obligatoire : une baseline basée uniquement sur la taille de la coupe, qui démasque un faux succès sur la tâche grossière. Pour la communauté, c'est un signal : dans les benchmarks de pathologie computationnelle, il faut vérifier que le modèle n'exploite pas des artefacts de préparation des échantillons. L'écho après le coup de feu peut effectivement être entendu, mais il faut d'abord s'assurer que l'on n'entend pas simplement le volume de la pièce elle-même.