Avancement des modèles d'apprentissage profond avec images de lames entières pour le diagnostic, le sous-typage et le pronostic du gliomeAdvancement of deep learning models with whole slide image in diagnosis, subtyping and prognosis for glioma.
- Les modèles DL sur WSI atteignent une AUC de 0,983 (ResNet-50) pour le sous-typage des gliomes et 0,990 (ROAM) pour le diagnostic.
- Les Transformers (ViT) et les hybrides surpassent les CNN pour la modélisation des dépendances globales.
- L'interprétabilité via cartes d'attention et SHAP relie les prédictions aux régions histologiques.
Revue synthétisant les avancées récentes des modèles DL sur WSI pour le gliome, avec des performances élevées (AUC jusqu'à 0.99) et des perspectives cliniques pertinentes pour la neuro-oncologie.
Les performances rapportées proviennent de jeux de données publics et institutionnels, nécessitant validation externe. La généralisabilité reste limitée en raison de l'hétérogénéité des techniques de préparation des lames. Les modèles lourds exigent des ressources computationnelles importantes, freinant leur adoption en clinique. L'absence d'études prospectives randomisées évaluant l'impact clinique réel. La dépendance à des bases de données publiques peut introduire des biais de sélection.
Cette revue synthétise les avancées récentes des modèles d'apprentissage profond (DL) appliqués aux images de lames entières (WSI) pour le diagnostic, le sous-typage moléculaire, le grading et le pronostic des gliomes. Les architectures évoluent des CNN (ResNet) aux Transformers (ViT), hybrides et grands modèles de langage. Les pipelines incluent contrôle qualité, normalisation des couleurs, extraction de patches et intégration de caractéristiques. Les performances rapportées atteignent une AUC de 0,990 pour le sous-typage (modèle hybride ROAM) et 0,983 pour le diagnostic (ResNet-50). L'interprétabilité est assurée par des cartes d'attention et SHAP. La fusion multimodale (génomique, protéomique, radiologique, clinique) améliore la prédiction. Les défis futurs concernent la généralisabilité et le développement de modèles légers pour la pratique clinique.
Les modèles DL sur WSI atteignent une AUC de 0,983 (ResNet-50) pour le sous-typage des gliomes et 0,990 (ROAM) pour le diagnostic. Les Transformers (ViT) et les hybrides surpassent les CNN pour la modélisation des dépendances globales. L'interprétabilité via cartes d'attention et SHAP relie les prédictions aux régions histologiques. La fusion multimodale intégrant données génomiques et cliniques améliore la performance prédictive. Les pipelines standardisés incluent contrôle qualité, normalisation des couleurs et extraction de patches. Les bases de données publiques (TCGA, CPTAC) sont des ressources clés pour l'entraînement.
Amélioration potentielle de la précision diagnostique et pronostique en neuropathologie. Aide à la décision pour le sous-typage moléculaire, essentiel au traitement personnalisé du gliome. Réduction du temps d'analyse et de la variabilité inter-observateur via l'automatisation. Possibilité d'intégration dans les workflows de pathologie numérique pour un usage clinique futur.
Revue