Description : Introduction : le récent développement de l’apprentissage profond, branche de l’intelligence
artificielle, a permis de nombreuses avancées en reconnaissance d’images médicales.
Le but de ce travail était d’étudier les possibilités de cette technologie dans le
cadre de la cytogénétique. Matériel et méthodes : trois algorithmes (deux publics,
Inception et MobileNet, et un, Mannaz, développé dans le cadre de cette étude) ont
été testés dans la reconnaissance simple de chromosomes, de manière séparée ou par
analyse en sous-groupes, et par rapport aux logiciels commerciaux d’analyse répandus
dans les laboratoires, ainsi que dans la reconnaissance d’anomalies de structure.
Les images étaient issues d’une base de données de cytogénétique hématologique en
bandes R. Résultats : Mannaz obtient les meilleurs résultats (p 0,001) avec une précision
de 76,5% pour la reconnaissance des chromosomes de manière séparée et de 72,5% en
sous-groupes. Ces performances étaient équivalentes à celles des logiciels commerciaux.
Mannaz reconnaît correctement les dérivés 9 et 22 de translocation t(9;22)(q34;q11)
dans respectivement 51% et 54% des cas. La reconnaissance des délétions des bras longs
du chromosome 5 est un échec. Discussion : les résultats du classement des chromosomes
segmentés et de la reconnaissance d’anomalies telles que les dérivés de translocation
sont encourageants. L’importance d’une base de données d’images multicentrique permettant
de renforcer la sensibilité est discutée et d’autres voies de recherche sont présentées.
Conclusion : cette étude met en évidence le potentiel et l’accessibilité pour le biologiste
de l’apprentissage profond dans l’automatisation du caryotype conventionnel.;
Pays