Cytométrie en images : principe, applications et limites

La cytométrie en images, ou cytométrie d’image, est une technique qui extrait des mesures à partir d’images microscopiques de cellules ou de structures situées à l’intérieur des cellules. [1] Il ne s’agit donc pas d’une maladie et elle ne provoque pas elle-même de signes ou de symptômes. [1] Elle appartient à un ensemble de méthodes quantitatives utilisées pour mesurer des caractéristiques biologiques ou morphologiques dans des cellules et des tissus. [2]

Que mesure la cytométrie en images ?

La cytométrie peut quantifier des composants histochimiques ou cytochimiques tels que l’ADN, l’ARN ou l’organisation de la chromatine. [2] La morphométrie, qui lui est proche, mesure plutôt des caractéristiques géométriques comme la taille, la forme ou la texture des cellules, de leurs noyaux et des tissus. [2] L’automatisation de la microscopie permet de recueillir rapidement de nombreuses images numériques provenant d’échantillons cellulaires, de lames de tissus ou de cultures de cellules. [1] Les logiciels peuvent ensuite rechercher des cellules ou des régions subcellulaires et mesurer des variations de leur apparence. [1]

Cytométrie statique, cytométrie en flux et cytométrie en flux avec imagerie

La cytométrie statique analyse des cellules visibles sur des frottis cytologiques ou des coupes de tissus. [2] La cytométrie en flux analyse rapidement des cellules en suspension, mais elle peut avoir des difficultés à distinguer les cellules tumorales des cellules non tumorales lorsque l’échantillon contient peu de cellules tumorales. [2] Dans ce contexte, l’analyse statique d’images peut étudier la ploïdie sur de petites quantités de tumeur présentes dans un frottis ou une coupe de tissu. [2] La cytométrie en flux avec imagerie associe la microscopie en fluorescence au traitement à haut débit de cellules individuelles caractéristique de la cytométrie en flux. [1] Cette modalité simplifie l’analyse en produisant des images de cellules isolées, au prix d’une information spatiale plus limitée. [1]

Dans quels domaines cette technique est-elle utilisée ?

Les applications décrites concernent notamment la cytologie, l’histopathologie et le criblage d’images à haut contenu utilisé pour la recherche sur les médicaments. [1] En cytologie, les cellules sont retirées de leur contexte tissulaire et peuvent être examinées sous forme de frottis. [1] En histologie, l’échantillon provient notamment d’une biopsie ou d’une coupe réalisée dans un tissu retiré, ce qui préserve des informations sur l’organisation du tissu. [1] En pathologie quantitative, ces méthodes ont été étudiées pour distinguer des lésions bénignes, intermédiaires ou malignes, évaluer le grade d’une tumeur et rechercher des informations pronostiques ou prédictives. [2] Ces usages possibles ne signifient pas qu’une mesure isolée suffise à établir un diagnostic ou à prévoir l’évolution d’une maladie chez une personne. [2]

Quel est le rôle de l’intelligence artificielle ?

Les méthodes d’apprentissage profond peuvent traiter les images, séparer leurs différentes régions, détecter des objets et classer des cellules ou des images. [1] La segmentation consiste à diviser une image en parties ou en objets biologiquement pertinents tout en tenant compte de leur contexte. [1] La détection d’un objet associe sa classification à sa localisation dans l’image. [1] Contrairement aux approches classiques qui nécessitent de définir manuellement de nombreuses caractéristiques, un réseau d’apprentissage profond peut apprendre à extraire des caractéristiques à partir d’images annotées. [1] Ces outils ont notamment été étudiés pour compter ou reconnaître des cellules, analyser leur morphologie et classer des images cytologiques ou histologiques. [1]

Quelles sont les limites de la cytométrie en images ?

L’entraînement d’un réseau d’apprentissage profond à partir de zéro demande une grande quantité de données annotées et d’importantes ressources informatiques. [1] La complexité de ces réseaux peut rendre difficile l’explication du lien entre les images fournies et leurs prédictions. [1] Un modèle trop adapté aux images utilisées pour son entraînement peut produire de mauvaises prédictions sur de nouvelles données. [1] Les différences de coloration, d’instrument ou de conditions d’acquisition entre laboratoires peuvent également diminuer les performances d’un modèle sur un autre jeu d’images. [1] Pour les classifications comportant plusieurs catégories, le degré de confiance peut varier selon la quantité de données annotées disponible pour chaque catégorie. [1]

Comment comprendre un résultat de cytométrie en images ?

La signification d’un résultat dépend de la caractéristique mesurée, du type d’échantillon, de la méthode d’analyse et de la maladie étudiée. [2] Dans les études sur la ploïdie de l’ADN des tumeurs, les résultats pronostiques ont parfois été divergents en raison de différences techniques et de la présence possible de plusieurs populations de cellules tumorales dans un même cancer. [2] La ploïdie peut apporter une information pronostique dans certains cancers, mais elle ne permet pas nécessairement de prévoir le stade ou l’évolution pour une personne donnée. [2] Un résultat individuel doit ainsi être replacé parmi les autres données cliniques et anatomopathologiques pertinentes. [2]