Contexte
Le diagnostic précoce du cancer de la peau peut sauver beaucoup de vies. Il s’appuie sur la dermoscopie, méthode d'imagerie utilisée dans le diagnostic de l’ensemble des lésions pigmentées. Grâce à cet outil, qui élimine les reflets de la couche cornée et agrandit l’image, il est possible d’analyser ces lésions et de les classer en lésions bénignes ou suspectes/malignes. En raison de la difficulté et de la subjectivité de l’interprétation humaine et l’incidence croissante des mélanomes, l’analyse informatisée d’images de dermatoscopie est devenue un domaine de recherche important. Des machines correctement entrainées font aussi bien ou mieux que de cliniciens. Toutefois, les images semblent souvent caricaturales (clairement bénignes ou clairement malignes) nous avons émis l’hypothèse qu’il existe un manque d’image plus difficiles d’analyses pour le clinicien. Nous avons alors décidé d’utiliser les milliers d’images dermatoscopiques disponible au département de dermatologie du CHUV à cet effet. Nous pensons que cette base de données, préalablement traitée et catégorisée, pourrait et devrait être utilisée à des fins d’entrainement de logiciels d’IA.
Objectif
Nous avons focalisé notre effort sur les naevi dysplasiques, qui sont des lésions présentant des critères objectifs de mélanomes mais restent dans la catégorie des lésions bénignes. L’objectif secondaire était d’associer cette base de données avec un software d’IA, type Deep Neural Network.
Méthodes
Nous avons extrait les bases de données des images dermatoscopiques et les avons croisées avec notre base de données d’histologie, afin d’identifier des images pour lesquelles nous disposons d’une preuve histologique (gold standard) de leur nature. Nos critères de sélection étaient: diagnostic de mélanome, naevus dysplasique/enflammé ou naevus bénin, image dermoscopique type FotoFinder, et présence de preuve histologique du diagnostic. Le nombre de lésions étant resté inférieur à notre cible de 300 lésions, nous n’avons pas pu entrainer directement un algorithme de type Deep Neural Networks comme espéré, et avons dû nous appuyer sur des images du domaine public de l’International Skin Imaging Collaboration (ISIC).
Résultats
La base de données crée comprend plus de 150 images de naevi dysplasiques, plus de 100 images de naevi bénins, ainsi qu’un peu plus de 40 mélanomes. Ceci est la plus grande banque d’image de naevus dysplasique connue. Leur nombre est malheureusement insuffisant pour entraîner un logiciel d’IA, mais il pourra être utilisé en tant que set de validation pour un logiciel préalablement entraîné dans le futur. Dans ce contexte, nous avons créé une base de données plus importante contenant les images dermatoscopiques de l’ISIC. Cela nous a permis d’entraîner un logiciel d’IA et d’analyser sa performance face à la classification des lésions bénignes « simples », des lésions bénignes « compliquées » avec une forte ressemblance avec les lésions malignes et les lésions malignes elles-mêmes. Les résultats nous montrent que le logiciel reconnaît et classe les lésions bénignes sans faute dans leur catégorie, ce qui n’est pas le cas des lésions des mélanomes et des naevi « compliqués », que le logiciel a tendance à confondre et à classer dans des catégories adverses. Ceci illustre la nécessité d’efforts comme le nôtre, visant à augmenter le nombre d’image de qualité de naevi représentant un vrai challenge pour le clinicien.