Classification des lignées des tumeurs neuroendocrines hypophysaires à partir de lames entières par apprentissage de représentation de graphe guidé par attentionLineage Classification of Pituitary Neuroendocrine Tumors From Whole-Slide Images Using Attention-Guided Graph Representation Learning.
- Un réseau de neurones à graphe guidé par attention prédit la lignée des PitNETs à partir de lames H&E avec une précision élevée.
- Les performances varient selon les lignées, avec des erreurs fréquentes de classification des tumeurs PIT-1 et T-PIT en SF-1.
- Les cartes d'attention mettent en évidence les zones riches en tumeur, indiquant une focalisation sur les régions pertinentes.
Article de neurosciences avec une méthodologie solide, mais centré sur la pathologie hypophysaire, domaine périphérique pour NeuroWatch orienté neuropsychologie clinique. Note de 40 pour intérêt modéré.
Les performances varient selon les lignées et sous-types histomorphologiques, avec des erreurs systématiques pour certaines catégories. L'étude provient d'un seul centre (Pékin), ce qui limite la généralisabilité malgré une validation temporelle indépendante. Le sous-ensemble avec données de méthylation de l'ADN est de petite taille (15 cas), ce qui limite la robustesse de la comparaison. Les résultats sont basés sur un nombre limité de cas de PitNETs multiples synchrones (6 cas).
Cette étude développe un réseau de neurones à graphe guidé par attention pour prédire la lignée des tumeurs neuroendocrines hypophysaires (PitNETs) à partir de lames entières en H&E. Les patients opérés entre 2021 et 2025 à Pékin ont été inclus. Le modèle a obtenu un F1-score de 92,78 % en validation interne et 87,64 % en test externe. Les erreurs concernaient principalement la confusion entre les lignées PIT-1/T-PIT avec SF-1. Les cartes d'attention ont mis en évidence les zones tumorales, et la morphométrie cellulaire a révélé des motifs spécifiques. Dans les cas de PitNETs multiples synchrones, les prédictions concordaient avec l'immunohistochimie. Les résultats montrent que les lames H&E contiennent des informations morphologiques exploitables pour la classification des lignées.
Un réseau de neurones à graphe guidé par attention prédit la lignée des PitNETs à partir de lames H&E avec une précision élevée. Les performances varient selon les lignées, avec des erreurs fréquentes de classification des tumeurs PIT-1 et T-PIT en SF-1. Les cartes d'attention mettent en évidence les zones riches en tumeur, indiquant une focalisation sur les régions pertinentes. La morphométrie cellulaire quantitative révèle des motifs associés à chaque lignée : cellules plus grandes dans PIT-1, noyaux allongés dans SF-1, densité cellulaire plus élevée dans T-PIT. Dans les cas de PitNETs multiples synchrones, les cartes de prédiction par patch correspondent étroitement à l'immunohistochimie des facteurs de transcription. Les résultats de classification par méthylation de l'ADN concordent avec les prédictions du modèle dans 11 cas sur 15, et avec le diagnostic histopathologique standard dans 8 cas sur 15.
Cet outil d'IA pourrait assister les pathologistes dans l'attribution de la lignée des PitNETs sur lames H&E, réduisant potentiellement le recours à l'immunohistochimie. Les cartes d'attention interprétables pourraient aider à identifier les régions les plus pertinentes pour le diagnostic, améliorant le contrôle qualité. L'intégration de cette méthode dans les workflows cliniques pourrait améliorer la cohérence diagnostique entre les centres.
Élevé