Importances des récepteurs hormonaux
Plus de 2 millions de femmes à travers le monde ont reçu un diagnostic de cancer du sein en 2018, entraînant 0,6 million de décès.
Une grande majorité des cancers du sein invasifs sont positifs aux récepteurs hormonaux : les cellules tumorales se développent en présence d’œstrogènes (ER) et/ou de progestérone (PR). De la présence de ses récepteurs dépend le diagnostic et surtout le traitement dispensé aux malades.
Dans la pratique clinique, les pathologistes diagnostiquent le cancer du sein à partir de la coloration à l’hématoxyline et à l’éosine, puis ils estiment les récepteurs d’œstrogènes à partir de la coloration Immunohistochemistry.
ReceptorNet
ReceptorNet est un modèle développé par Salesforce Research et le Dr David Agus du Lawrence J. Ellison Institute for Transformative Medicine de l’Université de Caroline du Sud, capable de prédire le statut des récepteurs hormonaux.
ReceptorNet montre qu’un algorithme d’apprentissage profond peut prédire avec précision la présence de ces récepteurs directement à partir de la coloration à l’hématoxyline et à l’éosine.
ReceptorNet est capable de prédire le statut des récepteurs hormonaux à partir d’une image de tissu peu coûteuse. Cela contraste avec la norme de soins actuelle (Immunohistochemistery), qui nécessite à la fois un type d’image de tissu plus coûteux et moins largement disponible, et un pathologiste qualifié pour examiner ces images.
ReceptorNet repose sur ResNet-50
L’architecture ReceptorNet se compose de trois réseaux neuronaux interconnectés : un module d’extraction de caractéristiques, un module d’attention et un module de décision.
L’extracteur de caractéristiques est un ResNet-50 sans la couche softmax, suivi de deux couches entièrement connectées avec un dropout de 0,5.
L’ajout de couches supplémentaires à un réseau neuronal suffisamment profond entraîne d’abord une saturation de la précision (accuracy), puis une dégradation de celle-ci. L’architecture ResNet permet de résoudre ce problème. ResNet se compose de blocs résiduels.
Entraînement et performance du modèle
Les checheurs ont utilisé de données contenant un total de 3 399 images hématoxyline et à l’éosine de patients fournies par l’Australian Breast Cancer Tissue Bank (ABCTB) et The Cancer Genome Atlas (TCGA).
L’ensemble de données présente de grandes variations dans la qualité de la préparation et de la numérisation : ce qui permet une meilleur généralisation du modèle.
ReceptorNet est entraîné en utilisant en input des patchs directement échantillonnés à partir de WSI (whole slide images), sans annotations au niveau des pixels.
Il apprend automatiquement à prêter attention aux régions du WSI importantes pour l’estimation des récepteurs hormonaux. En output le modèle propose une classification binaire : ER+ou ER-.
Pour développer ce modèle, les chercheurs de Salesforce Research ont utilisé le langage PyTorch et des puissances de calcul du Nvidia P-100 Pascal graphics processing units (GPUs). ReceptorNet atteint une aire sous la courbe (AUC) de 0,92 pour la sensibilité et la spécificité.
Prédictions de ReceptorNet
ReceptorNet apprend automatiquement que les tumeurs de bas grade (a), le carcinome lobulaire invasif (b), le stroma réactif (c) et le carcinome in situ (d) sont prédictifs de ER+; et les tumeurs de haut grade (e)et les débris nécrotiques (f)sont prédictifs de ER-.
ReceptorNet apprend également à ignorer le tissu adipeux, le tissu conjonctif avec peu ou pas de cellules tumorales et les macrophages chargés de débris et de graisse (g).
En savoir plus sur ResNet Paper for Image Recognition
