Révolutionner la précision du diagnostic : Approches fondées sur l’IA dans la pathologie numérique et l’expression de HER2  

Chapitre 1

Dre Bui: 
Bonjour. Bienvenue à ce programme éducatif sur les approches basées sur l’IA dans la pathologie numérique et l’expression de HER2.

Bienvenue dans le programme CME de ReachMD. Je suis la Dre Marilyn Bui.

Dre Salomon: 
Bonjour à tous. Je suis la Dre Anne Vincent-Salomon.

Dre Bui: 
Aujourd’hui, nous commencerons par un aperçu du rôle actuel de la pathologie numérique dans l’IA et l’apprentissage automatique dans les diagnostics oncologiques.

Comme nous le savons tous, le parcours médical d’un patient commence par un diagnostic. En tant que pathologistes, nous fournissons des prévisions sur le diagnostic, le pronostic et le choix de la thérapie, de sorte que les pathologistes ont un impact sur la vie de chaque patient. Nous sommes les médecins les plus essentiels que les patients rencontrent rarement ou connaissent peu. Nous sommes des médecins au sein d’une équipe de soins pluridisciplinaire. Toutes ces qualités nous permettent de devenir les leaders inhérents de la médecine de précision, car nous sommes au plus près de l’échantillon du patient et des données importantes générées à partir de son tissu.

C’est une période très excitante pour pratiquer la pathologie, car nous vivons sa troisième révolution : la pathologie numérique et l’intelligence artificielle. Notre profession est née avec le microscope et les lames HE qui nous permettent d’étudier les maladies au niveau cellulaire.

Il y a actuellement une pénurie de pathologistes. En outre, les gens vivent plus longtemps et il y aura davantage de cas de cancer. Nous prévoyons qu’en 2030, il y aura 26 millions de nouveaux cas de cancer dans le monde. Les pathologistes sont les médecins de première ligne pour le diagnostic. Le parcours de tous les patients atteints d’un cancer commence par un diagnostic précis et opportun.

Comment ces 26 millions de patients pourront-ils obtenir un diagnostic précis et bénéficier d’un traitement approprié ? Les pathologistes jouent un rôle essentiel dans la résolution des problèmes de diagnostic. Avec la pathologie numérique, nous sommes connectés. Ainsi, au lieu de déplacer des diapositives d’un hôpital à l’autre, nous pouvons faire circuler des lames numériques dans le système de soins hospitaliers, et les informations peuvent être facilement partagées.

La pathologie numérique est donc le fondement de l’IA. Ici, on voit que la capacité cognitive humaine a des limites. Les pathologistes sont habitués à lire manuellement, à regarder les choses à l’œil. Cependant, lorsque les données sont aussi complexes que celles de la protéomique ou de la génomique, et qu’elles dépassent vraiment les capacités d’observation du pathologiste, nous avons besoin de l’aide de la pathologie computationnelle pour analyser ces données.

La pathologie traditionnelle est analogique, sujette à des variations d’interprétation. Elle a à peine effleuré la surface de la quantité importante de données. La pathologie computationnelle et l’apprentissage automatique sont reproductibles et robustes dans l’analyse des données.

Cette technologie a pour but d’aider les humains, d’améliorer leur capacité à faire leur travail plutôt que de les remplacer. Quand je parle d’IA, je parle d’IA augmentée. Les pathologistes ont vraiment les moyens d’agir. Nous utilisons la pathologie computationnelle pour nous aider à générer des données utiles à nos cliniciens.

Dans la pathologie de précision, quels sont les algorithmes d’IA ? Pour moi, il y a 5 grandes catégories. Premièrement, la détection. Dès 2016, le plan stratégique national de développement de la recherche sur l’intelligence artificielle estimait que le diagnostic du cancer du sein était un bon domaine d’application pour cette technologie, car les meilleurs algorithmes d’IA peuvent avoir un taux d’erreur de 7,5 %. On parle de trouver un cancer du sein métastatique dans le ganglion lymphatique sentinelle. Quand on demande à un pathologiste mammaire hautement qualifié de le faire, le taux d’erreur est de 3,5 %. À l’époque, l’IA n’était pas très sophistiquée. Cependant, quand on combine les pathologistes et l’IA augmentée, le taux d’erreur passe à 0,5.

Ce sont des données plus récentes qui montrent la nouvelle nature du cancer et la mise en œuvre clinique de la détection assistée par l’IA du cancer du sein métastatique dans les ganglions lymphatiques. C’est un essai clinique monocentrique et non randomisé. Ils ont constaté que le critère d’évaluation principal est une réduction significative du risque relatif de l’utilisation du taux IHC. Le critère d’évaluation secondaire montre une réduction significative du temps et une amélioration de 30 % de la sensibilité pour les pathologistes assistés par l’IA. Cet essai a donc réellement démontré la sécurité et les économies potentielles de l’assistant IA. C’est un excellent exemple de détection.

Passons à la deuxième catégorie. Ces deux publications viennent de mon groupe. La première parle de la mise au point d’une IA permettant de diagnostiquer de manière fiable le cancer de la vessie. La seconde est l’utilisation de l’IA pour diagnostiquer ou classer les sarcomes. La troisième catégorie est la quantification. À gauche, l’immunofluorescence. Vous pouvez voir la cytokératine, PD-L1 et des marqueurs immunohistochimiques, comme CD3, CD8.

Dre Salomon, à gauche, on voit un test de biomarqueur multiplex immunofluorescent pour un essai clinique. Ma question est la suivante : quel type de cancer détectons-nous ?

Ce cancer présente une positivité pour la cytokératine. Il est TTF1 positif, mais cela n’apparaît pas ici. Nous étudions PD-L1, CD3 et CD8. De quel cancer s’agit-il ?

Dre Salomon: 
Alors. S’agit-il d’un cancer du poumon ? Ou -

Dre Bui: 
Oui. C’est un adénocarcinome pulmonaire non à petites cellules. Pour ce cas, nous avons testé de nombreux biomarqueurs en même temps, comme vous pouvez le voir. Nous ne pouvons pas le faire à l’œil nu, donc nous utilisons des algorithmes informatiques et d’IA et procédons à une analyse quantitative des images.

À droite, quel est le diagnostic ?

Dre Salomon:
Oui, un mélanome.

Dre Bui: 
Oui, on a S100, PD-L1 et ces immunomarqueurs. Cet exemple montre que l’IA peut aider à la quantification.

L’étude présentée à droite est une lecture manuelle comparée entre pathologistes. Il y a 12 pathologistes. On constante une grande variabilité. À gauche, une comparaison avec un pathologiste. Il y a donc un plus grand consensus sur l’utilisation de l’IA à travers 4 clones d’anticorps utilisés pour les diagnostics compagnons et 5 scanners couramment utilisés.

Un autre exemple montre que l’IA peut identifier un plus grand nombre de patients PD-L1 positifs, même au seuil le plus bas, puis identifier ces patients en vue d’une immunothérapie. La ligne orange ici représente les patients classés comme positifs à plus de 5 % à la fois par l’IA et par la lecture manuelle. En orange, les négatifs. Les négatifs ont le plus mauvais pronostic. Ainsi, chaque fois qu’une maladie est identifiée par l’IA ou par l’IA et manuellement, le pronostic est mieux.

C’est une ligne intéressante. En vert, les patients classés PD-L1 positifs à plus de 5 % manuellement uniquement. La quantification humaine de 5 % ou 10 % n’étant pas très fiable, on observe une démarcation très nette. Il est impossible d’évaluer les patients de manière aussi fiable, aussi continue et aussi efficace qu’avec l’IA. Voici une étude très intéressante.

Parlons de la quatrième catégorie. Le pronostic. Voici l’une de nos études visant à utiliser la radiologie, la pathologie et les informations de l’IA pour prédire sur la radiologie quel carcinome canalaire du sein peut être agressif et devenir un carcinome invasif lors de séances ultérieures. La prochaine étape consistera à étudier l’histologie, à examiner l’HE du DCIS afin de trouver les biomarqueurs IA permettant de prédire la variante agressive, puis la variante plus ou moins agressive.

Enfin, les prédictions. Voici donc un très bel exemple d’ArteraAI. Ils disposent de ce test de biomarqueurs prostatiques permettant de prédire les bénéfices thérapeutiques des patients en utilisant un large volume et une variété de données cliniques, d’images de pathologie numérique et une prédiction des résultats assistée par IA, ce que la technologie commerciale ne permet pas. Chez ce patient, quand le marqueur IA est négatif, il ne bénéficiera pas de l’hormonothérapie. Dans ce cas, le biomarqueur est positif. Le patient répondra à l’hormonothérapie. C’est le plus haut niveau des algorithmes d’IA.

Voici un résumé du rôle de la pathologie numérique et de l’IA dans l’oncologie de précision, ainsi que les cinq catégories d’algorithmes.

Dre Salomon, qu’en pensez-vous ?

Dre Salomon:
En effet, les pathologistes sont augmentés grâce à l’IA. Nos patients méritent que nous fassions de notre mieux et que nous leur fournissions les meilleures informations possibles. Je pense donc que nous vivons une révolution en utilisant ces outils d’IA.

Dre Bui: 
Je suis d’accord.

Chapitre 2

Dre Bui:
Passons au chapitre suivant. Passons à autre chose. Comme nous avons maintenant une vue d’ensemble, éloignons-nous de la forêt et concentrons-nous sur un arbre spécifique. Voilà la thérapie ciblée pour le cancer du sein.

Dre Salomon:
Les progrès réalisés avec les conjugués anticorps-médicaments ont mis le pathologiste au défi de mieux définir le statut HER2 des cancers du sein. C’est là que vous allez expliquer comment les outils d’IA peuvent nous aider.

Dre Bui: 
DESTINY-Breast04 est une étude historique qui démontre que les patientes atteintes de cancer du sein métastatique HER2-faible ont une réponse supérieure à ces conjugués anticorps-médicaments ciblant HER2, par rapport aux thérapies conventionnelles. Plus récemment, en 2025, une autorisation élargie a été accordée aux patientes métastatiques hormonaux-positives HER2-faible ou HER2-ultrafaible qui peuvent bénéficier de cette thérapie. Ces autorisations ont donc réellement élargi l’utilisation du T-DXd, offrant de nouvelles options thérapeutiques aux patientes avec un cancer du sein à l’expression de HER2 très variée.

Actuellement, le flux de travail de l’histologie pour le test HER2 est à peu près à sens unique. Nous commençons par l’acquisition du spécimen, puis il est traité en histologie. Le cas est ensuite distribué sous forme de lames HE et envoyé au pathologiste. Nous posons le diagnostic de cancer du sein, puis nous réalisons que le cancer du sein invasif nécessite un test HER2 ou qu’il faut le renvoyer au laboratoire d’histologie pour un test HER2 ou d’autres tests génomiques. Ensuite, il revient vers nous pour révision et validation. C’est à sens unique. Quand il n’y a qu’une seule route à emprunter, s’il y a un accident quelque part, tout le système devient un goulot d’étranglement.

Le rôle du pathologiste est donc essentiel. Notre objectif n’est pas de devenir un goulot d’étranglement, mais de faciliter les soins aux patients.

En tant que pathologistes, nous suivons les directives de l’ASCO, American Society of Clinical Oncology, et du CAP, College of American Pathologists, sur le test HER2. Ces lignes directrices ont été mises à jour. Auparavant, on ne faisait que des interprétations de type dichotomique. On identifiait les patients HER2-positifs ou HER2-négatifs. Il faut maintenant identifier les patients HER2-positifs, HER2-faibles, HER2-ultrafaibles et HER2-nuls. Les HER2-positifs sont IHC 3+ positifs ou des ICH2+, ISH positifs. Les HER2-faibles, IHC 1+ ou IHC 2+, ISH négatif. HER2-ultrafaible est une coloration IHC HER2 incomplète et faible, égale ou inférieure à 10 %. Quant à HER2-nuls, il n’y a aucune coloration. Le taux de HER2-positif est de 15 %, le taux de HER2-faible de 45 % à 55 %, le taux de HER2-ultrafaible ou le taux de HER2-nul de 30 % à 40 %.

Nous suivons donc les lignes directrices ASCO/CAP pour le test HER2. Nous devons maintenant former tous nos pathologistes pour qu’ils soient capables de reconnaître tous les niveaux d’expression de HER2.

Comment examiner manuellement les cas de HER2 ? Voici une lame HE. Dre Salomon, c’est une femme de 60 ans. Il s’agit de son sein gauche. Vous avez une lame HE de cette biopsie carotte. Quel est le diagnostic ?

Dre Salomon: 
C’est probablement un carcinome invasif d’un type particulier, à première vue.

Dre Bui: 
Tout à fait. Carcinome canalaire invasif. Ensuite, toutes les personnes chez qui un cancer du sein vient d’être diagnostiqué sont censées subir un test HER2, conformément aux lignes directrices de l’ASCO/CAP. Voici le témoin négatif. Quelle est donc votre interprétation de cet échantillon de contrôle ?

Dre Salomon: 
C’est bon, car il n’y a pas de coloration. Alors non -

Dre Bui: 
Oui, il n’y a aucune coloration. Nous avons ici un échantillon de patient. C’est une lame témoin négative, et le patient est également négatif, n’est-ce pas ?

Dre Salomon:
Parfait.

Dre Bui:
Nous avons donc une autre lame. Il s’agit du contrôle positif. Un contrôle positif a-t-il fonctionné ?

Dre Salomon: 
Magnifiquement. Coloration 3+, membranaire. Intense.

Dre Bui: 
Qu’en est-il de la biopsie carotte ?

Dre Salomon: 
Il semblerait qu’elle soit également positive. Il semble que l’intensité soit la même que celle du contrôle positif et que la coloration soit membranaire sur les cellules invasives. Elle est complète et présente dans plus de 10 % des cellules tumorales. Je dirais 3+.

Dre Bui: 
Je suis d’accord. C’est une première coloration complète de la membrane, intense, forte, diffuse, supérieure à 10 %. Presque la totalité des cellules est colorée. C’est donc 3+. Nous n’avons aucun problème avec ce cas.

Regardons un autre cas. Quel est donc votre diagnostic ?

Dre Salomon: 
Là encore, il semble s’agir d’un carcinome invasif. En réalité, il n’y a pas de type particulier non plus, donc un carcinome canalaire invasif.

Dre Bui: 
Voilà l’IHC. Le contrôle a fonctionné. Nous allons maintenant opter pour une puissance élevée.

Dre Salomon: 
D’accord. La coloration est plus faible et il est probable qu’aucune coloration membranaire complète n’ait été clairement observée jusqu’à présent. Ça pourrait être 1+.

Dre Bui: 
Je suis d’accord avec vous. Avec des colorations de ce type, consultez-vous normalement un autre pathologiste ?

Dre Salomon:
Oui.

Dre Bui:
Oui. C’est toujours une bonne idée de partager avec des collègues.

Voici comment nous procédons manuellement. J’aimerai dire deux choses d’abord. C’est déjà une lame numérique. Avec une lame numérique, même si j’utilise l’écran manuel, je peux couvrir toute la zone. Mais avec un microscope, il faut beaucoup manipuler la platine pour voir l’ensemble du spectre. Nous vous montrons donc l’écran manuel d’une lame numérique. Mais dans la plupart des cabinets de pathologie, le dépistage manuel sera fait à l’aide du microscope.

Passons à la suite. Comment pouvons-nous utiliser l’IA pour renforcer la capacité des pathologistes à interpréter le statut HER2 ? Voici un exemple utilisant PathAI, un flux de travail sur le sein HER2. Il est optimisé par les pathologistes et les laboratoires. Au départ, il s’agissait de recherche, mais aujourd’hui, il est utilisé

dans la pratique clinique. Tout d’abord, il faut numériser les lames. Quand un échantillon est reçu, les lames colorées pour HER2 sont préparées, scannées, téléchargées pour l’analyse d’image et l’IA. L’algorithme est directement sur la lame et génère des scores HER2 prédictifs et la superposition visuelle de la lame. Lorsque les pathologistes reçoivent les lames, ils examinent d’abord les lames HE pour établir un diagnostic. Quand ils déterminent que le test HER2 est nécessaire, ils vont examiner l’algorithme HER2 et confirmer la qualité des options, les zones où la machine a attribué des scores, revoir la lame avec le score de l’algorithme et les superpositions dans l’ordre préféré, être d’accord ou pas avec l’algorithme prédit, puis finaliser l’évaluation.

Voilà comment ça marche. Quand les pathologistes lisent le dossier du cancer, la valeur prédictive du biomarqueur est déjà disponible pour qu’ils puissent l’examiner, être d’accord ou non et valider. C’est un gain de temps.

Je vais maintenant utiliser un exemple pour montrer l’évaluation du score HER2 assistée par l’IA.

Narrateur vidéo: 
Démonstration du module Mindspeak Breast HER2 AI. Reprenons le premier cas. Comme le montre le panneau des résultats à droite, l’IA a principalement identifié des cellules tumorales présentant une coloration complète et intense, ce qui suggère un score HER2 3+. Les pathologistes peuvent examiner ces résultats au niveau de la cellule unique pour confirmer l’analyse. Dans ce cas, l’IA a identifié un modèle de coloration plus hétérogène. Pour confirmer visuellement les résultats, les classes sont filtrées pour mettre en évidence les quelque 9 % qui présentent une coloration complète faible à modérée et les 2 % qui présentent une coloration complète intense, indiquant un score HER2 global de 2+. En utilisant le filtre, les zones d’intérêt peuvent être rapidement identifiées pour aider à compléter le diagnostic.

Dans le troisième cas, l’IA a détecté une quantité substantielle de coloration incomplète de la membrane, ce qui indique un score de 1+. L’utilisation de filtres permet d’identifier rapidement les domaines pertinents sur le plan clinique, ce qui facilite un diagnostic efficace.

Quand l’IA détecte moins de 10 % de coloration incomplète de la membrane, soit un score de 0, une analyse de la lame entière peut aider à concentrer l’attention sur les petites zones de positivité. Cette approche permet aux pathologistes d’identifier de petites lésions positives dans des situations où des niveaux de positivité ultrafaibles pourraient être cliniquement significatifs.

Dans les cas où aucune coloration n’est observée, une analyse complète de toutes les cellules tumorales au niveau de la lame complète peut confirmer avec précision que la lame est réellement négative. Cette approche permet d’exclure de manière fiable toute zone focale potentielle de coloration positive.

Dre Bui: 
C’est un excellent exemple de la puissance de l’analyse HER2 assistée par l’IA.

La recherche montre que l’algorithme d’IA pour le cancer du sein HER2 est très concordant avec l’interprétation de HER2 par le pathologiste, ce qui souligne l’utilité potentielle de l’algorithme en tant que standardisation pour les pathologistes.

Cette performance a donc permis d’évaluer 770 lames HER2 IHC chez 52 pathologistes certifiés par le conseil. Nous avons ici HER2 0, 1+, 2+ et 3+. En bleu foncé, l’IA vs le pathologiste. En violet, le pathologiste vs le pathologiste. Comme vous pouvez le constater, le taux de concordance des performances est d’environ 95 %, ce qui est plutôt satisfaisant.

En outre, d’autres études montrent le rôle de l’IA dans l’interprétation précise du score HER2 IHC 0 puis 1+ dans le cancer du sein. Comme nous le savons, pour 3+, la concordance est plus élevée, mais pour 2+, 1+ et 0, la concordance est plus faible. Dans ce cas, l’IA peut nous aider à améliorer la précision de la distinction entre HER2 IHC 0 et 1+ de manière cohérente.

Chapitre 3 

Dre Bui: 
Pour ceux qui viennent de se connecter, vous écoutez le programme CME sur ReachMD. Je suis la Dre Marilyn Bui et je suis accompagnée aujourd’hui par la Dre Anne Vincent-Salomon. Nous discutons du rôle de la pathologie numérique dans l’IA ou l’apprentissage automatique en pathologie oncologique.

Au cours de cette session, nous avons discuté de la façon dont la pathologie numérique et l’IA constituent la troisième révolution en pathologie et jouent un rôle essentiel dans la pathologie de précision.

L’IA facilite l’identification, la quantification, la classification, le pronostic et la prédiction. Le rôle de HER2 dans le cancer du sein évolue et les conjugués anticorps-médicaments ciblant HER2 offrent la possibilité de traiter les patientes atteintes d’un cancer du sein HER2-faible et HER2-ultrafaible.

Il est difficile d’attribuer manuellement un score HER2-faible et HER2-ultrafaible de manière précise et reproductible, mais les outils assistés par l’IA sont prometteurs pour normaliser l’attribution des scores HER2 et aider les pathologistes.

Cela montre donc, je pense, que l’IA ne remplacera pas les pathologistes, mais qu’elle nous rendra plus autonomes, car l’IA peut faire beaucoup de travail de manière très efficace. Cependant, nous jouons un rôle essentiel dans l’intégration de l’IA dans les soins de santé, nous guiderons le développement de l’IA et nous veillerons à ce que les algorithmes soient de haute qualité. La collaboration entre les pathologistes et l’IA améliore la précision diagnostique. L’élément humain est essentiel pour les soins aux patients.

Qu’en pensez-vous, Dre Salomon ?

Dre Salomon: 
Je suis tout à fait d’accord. Si l’on prend l’exemple de l’évaluation de HER2, avant l’apparition des conjugués anticorps-médicaments, il était assez simple d’analyser les cas 3+, 0 et négatifs. Les cas 2+ étaient assez difficiles, mais nous étions habitués à les évaluer. Pour vraiment interpréter de manière appropriée les cas de HER2 1+ ou ultrafaible, nous devons passer du temps, et nous sommes probablement moins reproductibles. Si les outils d’IA peuvent le faire pour nous de manière plus efficace et plus précise, nous pourrons gagner du temps pour traiter des cas de diagnostic plus difficiles. Je partage donc votre point de vue. Le pathologiste validera toujours les rapports, mais ils sont augmentés, ce qui lui permet de gagner du temps grâce aux outils d’IA. Je suis donc tout à fait d’accord avec vous.

Dre Bui: 
Merci.

Très bien, c’est la fin de la présentation. J’aimerais vous présenter HER2Know.com, une merveilleuse ressource éducative. Elle a été créée par des pathologistes pour des pathologistes. Certaines des images de la lame entière avec la coloration HER2 provenaient de ce site. 

Merci, Dre Salomon. C’est un plaisir de travailler avec vous. Au revoir.

Dre Salomon:
Merci Dre Bui. C’était une session très intéressante. Merci à tous.