Aux premiers stades de la maladie rénale, un type spécialisé de cellules rénales appelé podocyte subit des modifications dommageables à la fois dans sa structure et sa fonction. Ces changements sont des indicateurs clés des dommages finalement dévastateurs que l’insuffisance rénale terminale peut causer, mais ces cellules spécialisées sont difficiles à détecter.
Désormais, les chercheurs de l’Université de Buffalo ont tiré parti de la puissance de la pathologie numérique et de la modélisation informatique pour développer une nouvelle approche de détection et de quantification des podocytes.
L’outil basé sur le cloud, appelé PodoSighter, est décrit dans un papier dans le Journal de la Société américaine de néphrologie ; la recherche est mise en évidence sur la couverture du numéro de novembre de la revue.
Les chercheurs de l’UB ont tiré parti de la puissance de la pathologie numérique et de la modélisation informatique pour développer une nouvelle approche de détection et de quantification des podocytes, illustrés ci-dessus, un type de cellule spécialisée dans le rein qui subit des modifications dommageables au cours d’une maladie rénale à un stade précoce. Crédit image: NIH, Institut national du diabète et des maladies digestives et rénales
Le projet est un exemple de la façon dont les capacités de calcul avancées permettent aux scientifiques de glaner de nouvelles informations à partir d’images complexes de structures anatomiques.
Comprendre les systèmes humains
« Dans le domaine médical, la compréhension des systèmes humains dépend de l’analyse d’énormes quantités de types de données très différents », a déclaré Pinaki Sarder, PhD, auteur principal de l’article et professeur agrégé de pathologie et de sciences anatomiques à la Jacobs School of Medicine and Biomedical Sciences. . « La question est de savoir comment combiner toutes ces données pour essayer de comprendre les systèmes humains fondamentaux et les maladies ? »
Travaillant dans le domaine émergent de la néphropathologie computationnelle, Sarder et ses collègues se concentrent sur le développement d’une meilleure compréhension des informations trouvées dans les images d’échantillons de biopsie rénale.
« On sait depuis des décennies que la quantité et la densité des podocytes sont importantes à la fois pour le diagnostic et le pronostic de l’insuffisance rénale terminale », a déclaré Darshana Govind, PhD, premier auteur, qui a effectué ses travaux de doctorat dans le laboratoire de Sarder. Elle est maintenant data scientist chez Janssen Pharmaceuticals.
Aux premiers stades de la maladie rénale, les podocytes commencent à changer de forme et, à mesure que la maladie progresse, leur nombre diminue. « Une personne en bonne santé a plus de podocytes qu’une personne malade », a expliqué Sarder. « Si un jour nous pouvons suivre la perte de podocytes, alors nous pourrons déterminer le stade de la maladie. » À l’heure actuelle, ce n’est pas possible, mais c’est l’un des objectifs de la recherche à l’UB.
L’un des plus grands défis liés au traitement des images de tissus biopsiés est qu’elles contiennent d’énormes quantités de données. Le défi supplémentaire avec les podocytes est qu’ils se trouvent profondément dans les glomérules, les faisceaux de capillaires en forme de sac qui gèrent la filtration de première ligne du sang dans les reins.
« Il est très difficile d’identifier les podocytes dans une image », a expliqué Govind, notant qu’il y a tellement de cellules dans le glomérule qu’il est difficile même pour les pathologistes qualifiés de déterminer quels noyaux appartiennent aux podocytes. Différents types de coloration peuvent être utilisés pour mettre en évidence les podocytes, mais parfois la coloration entraîne la perte d’autres informations importantes sur l’image.
Réseaux de neurones convolutifs
La solution qu’ils ont développée consiste à utiliser une technique d’apprentissage automatique appelée réseaux de neurones convolutifs, un algorithme d’apprentissage qui peut distinguer des objets spécifiques dans une image. Il a été développé sur la base, dans une certaine mesure, de la manière dont le cortex visuel du cerveau humain traite les informations visuelles.
La technique consiste essentiellement à « entraîner » l’ordinateur à détecter les podocytes. « Le tissu est préparé en clinique et la méthode basée sur l’IA le détecte pour vous », a déclaré Govind. « Vous cliquez sur un bouton et les podocytes sont identifiés. »
Des informations sur la densité sont également fournies. « Le PodoSighter détecte non seulement les podocytes, mais il crache un rapport sur le nombre de ces cellules sont identifiées dans chaque glomérule et quelle est la densité, un indicateur clé de la progression de la maladie », a déclaré Sarder. Il a expliqué qu’à mesure que la maladie rénale progresse, le glomérule grossit tandis que le nombre de podocytes diminue.
Actuellement principalement un outil de recherche, le PodoSighter peut travailler sur des échantillons d’animaux et d’humains. L’objectif est à terme de l’utiliser en routine dans les cliniques à usage humain, ce qui, selon les chercheurs, pourrait être possible dans quelques années seulement.
Les chercheurs ont mené une partie de leurs travaux au Center for Computational Research de l’UB.
Sarder a ajouté qu’il existe un potentiel énorme pour ce type de recherche qui utilise l’intelligence artificielle en médecine.
« L’un de mes objectifs à l’UB n’est pas seulement de faire de la recherche, mais aussi de développer une main-d’œuvre, et c’est très important », a-t-il déclaré. « Dr. Govind a fait un travail excellent et très difficile pour son doctorat et a été publiée dans une revue de premier plan. » Il a noté que même si cela s’améliore, il n’y a toujours pas beaucoup de femmes travaillant dans l’intelligence artificielle en ce moment.
« C’est un défi, a dit Govind, parce qu’on ne voit pas beaucoup de femmes sur le terrain. J’aimerais voir plus de femmes rejoindre les STEM et la science des données. C’est un domaine formidable. Il est difficile d’être une femme dans une salle pleine d’hommes, alors j’encourage davantage de femmes à rejoindre les équipes d’IA. Il y a beaucoup de recherches de pointe et vous changez littéralement des vies, en utilisant l’IA appliquée aux soins de santé. »
La source: Université d’État de New York à Buffalo
