Dispositif m´edical scalable bas´e sur l’intelligence artificielle pour le diagnostic assist´e du cancer par num´erisation optimis´ee des lames et synchronisation des analyses radiologiques et histologiques

Abstract

Cancer diagnosis is a critical challenge in modern medicine, where accuracy and speed directly impact treatment effectiveness. This work contributes to that effort by enhancing diagnostic and therapeutic processes through artificial intelligence applied to biopsy slide analysis and radiological data. Field research and discussions with medical professionals revealed a recurring issue: frequent contradictions between radiologists’ and pathologists’ reports, leading to delays and therapeutic uncertainty. To address this, a novel architecture based on progressive elimination of diagnostic hypotheses was developed. This method iteratively cross-validates and refines results from digitized biopsy slides and radiological images, gradually narrowing down diagnostic possibilities. This leads to greater consistency and reliability in the final diagnosis, outperforming traditional direct classification approaches. Additionally, slide digitization poses a technical barrier due to the high cost and limited accessibility of automatic scanners. An innovative and cost-effective solution was designed to digitize multiple slides simultaneously, enabling seamless data integration into the intelligent system and supporting scalable, real-world application. Results show a significant improvement in diagnostic accuracy and reduced delays, promoting better therapeutic management and advancing a more personalized and efficient form of medicine.***

Le diagnostic du cancer repr´esente un enjeu majeur de la m´edecine moderne, o`u la pr´ecision et la rapidit´e conditionnent directement l’efficacit´e des traitements. Ce travail s’inscrit dans cette dynamique en visant `a optimiser le diagnostic et la prise en charge th´erapeutique grˆace `a l’intelligence artificielle appliqu´ee `a l’analyse des lames issues de biopsies et aux donn´ees radiologiques. Apr`es une immersion sur le terrain et de nombreux ´echanges avec des sp´ecialistes, il est apparu que l’une des principales difficult´es rencontr´ees par les ´equipes m´edicales r´eside dans la contradiction fr´equente entre les rapports des radiologues et ceux des anatomopathologistes, g´en´erant des retards et une incertitude th´erapeutique. Pour pallier cette probl´ematique, une architecture reposant sur une approche d’´elimination progressive des hypoth`eses diagnostiques a ´et´e ´elabor´ee. Cette m´ethode croise et affine successivement les r´esultats des analyses issues des lames de biopsie num´eris´ees et des clich´es radiologiques. En r´eduisant progressivement le nombre de classes diagnostiques possibles, elle aboutit `a une meilleure coh´erence et fiabilit´e du diagnostic final, surpassant les m´ethodes classiques de classification directe. Par ailleurs, la num´erisation des lames repr´esente un enjeu technique important. Les scanners automatiques disponibles sont coˆuteux et peu accessibles, limitant la g´en´eralisation de la pathologie num´erique. Une solution innovante et ´economique a donc ´et´e d´evelopp ´ee pour num´eriser rapidement plusieurs lames simultan´ement, facilitant ainsi l’int´egration des donn´ees dans le syst`eme intelligent et permettant une application pratique et scalable de l’approche propos´ee. Les r´esultats montrent une am´elioration significative de la pr´ecision diagnostique associ ´ee `a une r´eduction des d´elais, favorisant une meilleure prise en charge th´erapeutique et contribuant au d´eveloppement d’une m´edecine plus personnalis´ee et efficace.