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

This project aims to develop a comprehensive medical system for fast, accurate, and automated breast cancer diagnosis by combining hardware innovation and advanced artificial intelligence. On the hardware side, a three-axis mechanical platform was designed to simultaneously scan and digitize multiple histological slides at high resolution, significantly reducing cost and preparation time, making it suitable for routine clinical use. On the software side, the architecture integrates deep learning models trained on two complementary datasets: CBIS-DDSM for radiological mammograms detecting masses and microcalcifications, and BRACS for histopathological slide images enabling tumor subtype classification. Results show the YOLOv11 detection model locates anomalies with average precision around 75%, high sensitivity, and spatial overlap IoU near 70%. The downstream ResNet- 50 model achieves fine multi-class tumor classification with over 95% accuracy, sensitivity and specificity above 90%, and a high F1-score, demonstrating an excellent ability to distinguish pathological states. The methodology relies on progressive elimination of diagnostic hypotheses, improving coherence and reducing uncertainty at each analysis step. This complete system standardizes diagnosis, reduces inter-observer variability, and shortens turnaround time. It serves as a powerful adjunct to medical judgment, especially for intraoperative or routine clinical decision-making, enhancing therapeutic management.***

Le projet d´ecrit dans ce m´emoire vise `a d´evelopper un syst`eme m´edical complet pour le diagnostic rapide, pr´ecis et automatis´e du cancer du sein, en combinant des innovations mat´erielles et des avanc´ees en intelligence artificielle. D’un cˆot´e, la plateforme mat´erielle con¸cue inclut une solution m´ecanique `a trois axes capable de scanner et num´eriser simultan´ement plusieurs lames histologiques en haute r´esolution. Cette automatisation r´eduit consid´erablement les coˆuts et le temps de pr´eparation, rendant le dispositif adapt´e `a une utilisation clinique r´eguli`ere. Sur le plan logiciel, l’architecture int`egre des mod`eles de deep learning entraˆın´es sur deux bases de donn´ees compl´ementaires. La base CBIS-DDSM fournit des images radiologiques mammographiques pour d´etecter masses et micro-calcifications, tandis que la base BRACS contient des images pathologiques de coupe histologique pour la classification tumorale. Les r´esultats montrent que le mod`ele de d´etection YOLOv11 localise les anomalies avec une pr´ecision moyenne d’environ 75%, une sensibilit´e ´elev´ee et un recouvrement spatial IoU proche de 70%. Le mod`ele ResNet-50 en aval r´ealise une classification fine des soustypes tumoraux avec plus de 95% de pr´ecision, une sensibilit´e et sp´ecificit´e sup´erieures `a 90%, et un F1-score ´elev´e, ce qui traduit une excellente capacit´e `a distinguer les diff´erents ´etats pathologiques. La m´ethodologie adopt´ee repose sur une ´elimination progressive des hypoth`eses diagnostiques, ce qui am´eliore la coh´erence et r´eduit l’incertitude `a chaque ´etape d’analyse. Ce syst`eme complet propose une standardisation du diagnostic, r´eduit la variabilit´e interobservateurs et raccourcit les d´elais d’obtention du diagnostic. De plus, il repr´esente un outil puissant en compl´ement du jugement m´edical, particuli`erement adapt´e au contexte