Le cadre automatisé d’imagerie médicale révolutionne le diagnostic de la schistosomiase
La schistosomiase, une maladie parasitaire qui touche des millions de personnes dans le monde, représente un fardeau économique et de santé publique important, en particulier dans les régions pauvres. Pour combattre cette maladie et atteindre les objectifs de l’Organisation mondiale de la santé (OMS) en matière de contrôle et d’élimination, des outils de diagnostic précis et accessibles sont essentiels. Actuellement, la microscopie est la norme pour diagnostiquer la schistosomiase, mais elle prend du temps, dépend de l’opérateur et nécessite une expertise spécialisée, ce qui la rend difficile pour les zones aux ressources limitées.
Pour relever ces défis, les chercheurs ont développé le Schistoscope, un outil optique innovant équipé d’un système de mise au point automatique et de numérisation de lames automatisée. Cet appareil capture des images microscopiques d’échantillons d’urine, permettant une détection efficace des œufs de Schistosoma haematobium, une cause fréquente de schistosomiase urogénitale. Dans une étude publiée dans le Journal d’imagerie médicaleles chercheurs avaient pour objectif de créer un ensemble de données robuste et de développer un cadre de diagnostic en deux étapes utilisant l’apprentissage en profondeur pour identifier et compter avec précision les œufs de S. haematobium (SH) sur le terrain.
Tout d’abord, les chercheurs ont créé un ensemble de données SH composé de 12 051 images d’échantillons d’urine collectés dans une zone rurale du centre du Nigeria et capturés à l’aide du dispositif Schistoscope. Ils ont annoté manuellement les images, marquant les œufs et les différenciant des artefacts tels que des cristaux, des débris de verre, des bulles d’air et des fibres, qui peuvent entraver un diagnostic précis.
Le cadre de diagnostic en deux étapes proposé consiste en un DeepLabv3 avec un réseau neuronal convolutionnel profond de base MobilenetV3, formé à l’aide de l’apprentissage par transfert sur l’ensemble de données SH. Dans un premier temps, le framework effectue une segmentation sémantique pour identifier les œufs SH candidats dans les images capturées. La deuxième étape affine la segmentation en ajustant des ellipses qui se chevauchent, séparant efficacement les limites des œufs regroupés, conduisant à un décompte plus précis des œufs.
Pour démontrer l’applicabilité sur le terrain du cadre proposé, les chercheurs l’ont implémenté sur un système d’IA de pointe (accélérateur Raspberry Pi + Coral USB) et l’ont testé sur 65 échantillons d’urine cliniques obtenus sur le terrain au Nigeria. Les résultats ont montré une sensibilité, une spécificité et une précision élevées (pourcentages : 93,75, 93,94 et 93,75, respectivement), le décompte automatisé des œufs étant étroitement corrélé au décompte manuel effectué par un microscopiste expert.
Cet ensemble de données SH constitue une ressource précieuse pour la formation et l’évaluation du cadre de diagnostic, fournissant un ensemble diversifié d’images avec différents degrés de difficulté en raison d’artefacts.
Le professeur Jan Carel Diehl, du département d’ingénierie de conception durable de l’université de technologie de Delft et auteur correspondant de l’étude, remarque : « En automatisant le processus de détection des œufs, le Schistoscope et le cadre de diagnostic proposé offrent une solution prometteuse pour le diagnostic rapide et précis de schistosomiase urogénitale, en particulier dans les contextes à faibles ressources. Les études futures valideront davantage les performances du cadre et les compareront à d’autres méthodes de diagnostic, telles que la détection de l’antigène circulant de la schistosome et les tests basés sur l’ADN, pour établir son rôle dans la surveillance et le contrôle de la schistosomiase.
Dans l’ensemble, ces travaux représentent une étape importante vers l’amélioration des diagnostics et la lutte contre la schistosomiase, une maladie qui touche de manière disproportionnée les populations vulnérables dans les régions endémiques.
