Enhancing hematological image analysis with generalizable, interpretable, and adaptable artificial intelligence models

L'étude d'un échantillon sanguin peut être réalisée au moyen de plusieurs tests. Parmi ceux-ci, on appelle cytologie l'observation des cellules sanguines au microscope. L'objectif de ce procédé est d'évaluer la quantité de chaque type de cellules sanguines et de repérer de potentielles anomalies morphologiques. Les récentes avancées en vision par ordinateur ont permis d'automatiser cette étape, cependant, les algorithmes posent d'importants problèmes de généralisabilité, d'expliquabilité et d'adaptabilité. Autrement dit, l'implémentation en pratique clinique est limitée par le manque de robustesse des modèles sur des images venant de conditions d'acquisition différentes, par les difficultés à expliquer les raisons qui ont poussé leur prédiction et par les compétences limitées du modèle sur des tâches pour lesquelles il n'a pas été entraîné. L'objectif de cette thèse est de développer un système qui soit robuste, transparent et déployable en conditions cliniques. Pour cela, nous proposons tout d'abord de standardiser le style des images à l'aide d'une transformation colorimétrique simple combinée à de l'ajustement fin sur différents jeux de données. La procédure permet d'améliorer la robustesse du modèle tout en préservant l'aspect visuel de la cellule et en limitant le coût de calcul ainsi que le temps d'annotation pour l'expert. Ensuite, nous développons un réseau basé sur une architecture multimodale qui prendrait en compte à la fois les images complètes et les caractéristiques morphologiques de la cellule, extraites au préalable. Cette structure de modèle nous permet de quantifier le rôle de chaque caractéristique dans la prédiction, et ainsi de comprendre les critères principaux de décision. Enfin, nous élaborons une approche semi-supervisée, où le modèle utilise des images d'annotées et non annotées. Les catégories de cellules sont représentées de manière hiérarchique, témoignant de la différentiation du globule blanc. Cela présente le double avantage de donner plus de flexibilité au système d'annotation et de générer des représentations d'images plus versatiles, qui peuvent ensuite être réutilisées pour différentes tâches. En dernier lieu, nous élargissons la perspective pour mettre en lumière comment les progrès récents de l'intelligence artificielle nous permettent d'envisager le patient sous un angle plus global. Nos contributions non seulement répondent à certains enjeux de généralisabilité, d'interprétabilité et d'adaptabilité, mais sont aussi prometteuses pour de futures recherches. Elles sont notamment pertinentes pour des problématiques actuelles de réduction de l'effet de batch dans les modèles de fondation, d'amélioration de l'explicabilité des larges modèles multimodaux et d'introduction de connaissance biomédicale dans des modèles peu supervisés.